ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。
-
TPR：在所有实际为阳性的样本中，被正确地判断为阳性之比率。
image.png
-
FPR：在所有实际为阴性的样本中，被错误地判断为阳性之比率
image.png
image.png
-
micro-average ROC: 将各类别的fpr和tpr对应展开成单一roc
-
macro-average ROC: 计算各类别在相同fpr的tpr（通过插值法），相加并平均
image.png
参考：
[1]:https://www.wikiwand.com/zh-hans/ROC%E6%9B%B2%E7%BA%BF
[2]:https://www.w3cschool.cn/doc_scikit_learn/scikit_learn-modules-model_evaluation.html?lang=en#roc-metrics
[3]:https://datascience.stackexchange.com/questions/15989/micro-average-vs-macro-average-performance-in-a-multiclass-classification-settin/16001#16001
[4]:https://www.w3cschool.cn/doc_scikit_learn/scikit_learn-auto_examples-model_selection-plot_roc.html?lang=en#sphx-glr-auto-examples-model-selection-plot-roc-py
网友评论