numpy中axis參數理解
1.混淆矩陣：

2.準確率=（TP+TN）/（TP+TN+FP+FN）

注：：由于樣本不平衡的問題，導致了得到的高準確率結果含有很大的水分。即如果樣本不平衡，準確率就會失效。

3.精準率（precision，查準率）=TP/（TP+FP）,針對預測結果而言

4.召回率（Recall，查全率）=TP/（TP+FN），針對原樣本而言

5.精準率和召回率的關系，$$F1Score=\frac{2?Precision?Recall}{Precision+Recall}$$

ROC/AUC的概念：

真正率（TPR） = 靈敏度（Sensitivity） = TP/(TP+FN) $?$召回率
假正率（FPR） = 1- 特異度（Specificity） = FP/(FP+TN)

ROC（接受者操作特征曲線）
ROC曲線中的主要兩個指標就是真正率和假正率，上面也解釋了這么選擇的好處所在。其中橫坐標為假正率（FPR），縱坐標為真正率（TPR），下面就是一個標準的ROC曲線圖。
AUC（曲線下的面積）
比較有意思的是，如果我們連接對角線，它的面積正好是0.5。對角線的實際含義是：隨機判斷響應與不響應，正負樣本覆蓋率應該都是50%，表示隨機效果。ROC曲線越陡越好，所以理想值就是1，一個正方形，而最差的隨機判斷都有0.5，所以一般AUC的值是介于0.5到1之間的。
AUC的一般判斷標準
0.5 - 0.7：效果較低，但用于預測股票已經很不錯了
0.7 - 0.85：效果一般
0.85 - 0.95：效果很好
0.95 - 1：效果非常好，但一般不太可能

from sklearn import metrics from sklearn.metrics import auc import numpy as np y = np.array([1, 1, 2, 2]) scores = np.array([0.1, 0.4, 0.35, 0.8]) fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2) metrics.auc(fpr, tpr) 0.75

以上文章來源于Python數據科學

總結

以上是生活随笔為你收集整理的ROC,AUC的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。