ROC曲线的一个重要特性是AUC(Area Under the Curve),即曲线下的面积。AUC的取值范围为0到1,越接近1表示模型的性能越好。当AUC等于0.5时,表示模型的预测性能与随机猜测无异,即模型无法区分正例和负例。而当AUC大于0.5时,表示模型的预测性能优于随机猜测。 除了AUC,我们还可以通过ROC曲线上的特定点来评估模型的性...
同理,和准确率-召回率一样,我们可以利用一个数字来总结ROC曲线,即曲线下的面积(通常称为AUC(area under the curve),这里的曲线指的就是ROC曲线),可以利用roc_auc_score来计算ROC曲线下的面积: from sklearn.metrics import roc_auc_score rf_auc = roc_auc_score(y_test, rf.predict_proba(x_test)[:, ...
ROC曲线是一种以真正例率(True Positive Rate,TPR)为纵轴,假正例率(False Positive Rate,FPR)为横轴的曲线。在二分类模型中,真正例率表示被正确分类为正例的样本在所有正例样本中的比例,假正例率表示被错误分类为正例的样本在所有负例样本中的比例。ROC曲线的斜率越大,说明模型的性能越好。 二、计算方法 计算...