ROC曲线以及评估指标F1-Score, recall, precision-整理版

from http://blog.csdn.net/csqazwsxedc/article/details/51509808

  最近一直在看ROC曲线,查阅了一些资料,并进行了整理,文章结尾有原资料链接。希望能自己和各位节约时间来找资料,花更多的时间来学习。
ROC(Receiver Operating Characteristic)曲线和AUC常被用来评价一个二值分类器(binary classifier)的优劣 。ROC曲线怎么来的呢,我们来看经典的混淆矩阵:

ROC曲线一般的横轴是FPR,纵轴是FPR。AUC为曲线下面的面积,作为评估指标,AUC值越大,说明模型越好。如下图:

当然还有其他的一些评估指标,常见的有:ROC、AUC、precision、recall、F1-score。下面是指标详细:
Terminology and derivations
from a confusion matrix
true positive (TP)
eqv. with hit
true negative (TN)
eqv. with correct rejection
false positive (FP)
eqv. with false alarmType I error
false negative (FN)
eqv. with miss, Type II error

sensitivity or true positive rate (TPR)
eqv. with hit raterecall
specificity (SPC) or true negative rate (TNR)
precision or positive predictive value (PPV)
negative predictive value (NPV)
fall-out or false positive rate (FPR)
false discovery rate (FDR)
miss rate or false negative rate (FNR)

accuracy (ACC)
F1 score
is the harmonic mean of precision and sensitivity
Matthews correlation coefficient (MCC)

Informedness = Sensitivity + Specificity – 1
Markedness = Precision + NPV – 1

以下是指标的介绍:感觉原博主讲的很好,我就不作修改了,复制粘贴排版会乱,就直接截图了。

参考来源:
http://www.w2bc.com/Article/88963
https://en.wikipedia.org/wiki/Receiver_operating_characteristic
分享到:更多 ()