點擊我愛計算機視覺標星，更快獲取CVML新技術
本文來自於純真學者出神入化公眾號。
英文原文：
https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5
在機器學習中，性能測量是一項重要任務。當涉及到分類問題時，我們依靠AUC - ROC曲線來做性能評測。當我們需要檢查或可視化多類分類問題的性能時，我們使用AUC（曲線下面積）和ROC（接收器操作特性）曲線。它是檢查任何分類模型性能的最重要的評估指標之一。AUC有時也被寫為AUROC（接收器工作特性下的區域），本篇文章我們將著重於回答以下問題：
1.什麼是AUC - ROC曲線？
2.定義AUC和ROC曲線中使用的術語。
3.如何推測模型的性能？
4.靈敏度，特異性，FPR和閾值之間的關係。
5.如何使用AUC-ROC曲線進行多類別分類？
什麼是AUC-ROC 曲線？
AUC - ROC曲線是在各種閾值設置下的分類問題的性能測量方法。 ROC是概率曲線，AUC表示可分離性的程度。它告訴我們有關模型區分的能力。 AUC越高，模型越好，將0預測為0，將1預測為1。AUC越高，模型越好區分疾病患者和無疾病患者。用TPR對FPR繪製ROC曲線，其中TPR在y軸上，FPR在x軸上。
定義一些術語
True Positive Rate/Recall/Sensitivity
Specificity
False Positive Rate
一個優秀的模型具有接近1的AUC，這意味著它具有良好的可分離性。一個糟糕的模型的AUC接近0，這意味著它具有最差的可分離性度量。事實上，這是對結果的顛倒。它將0預測為1，將1預測為0。當AUC為0.5時，意味著模型沒有任何類別分離能力。
進一步用圖形來解釋：ROC是概率曲線。因此，讓我們繪製這些概率的分布：
（注意：紅色分布曲線是陽性分類（患有疾病的患者），綠色分布曲線是陰性分類（沒有疾病的患者））。
這是一個理想的情況。當兩條曲線完全不重疊時，模型具有理想的可分離性度量。它完全能夠區分TP和TN。
當兩個分布重疊時，我們引入類型1和類型2錯誤。根據閾值，我們可以最小化或最大化它們。當AUC為0.7時，意味著該模型有70％的可能區分正類和負類。
下面是最糟糕的情況。當AUC約為0.5時，模型沒有區分正類和負類的辨別能力。
當AUC大約為0時，模型實際上是對類進行了顛倒。這意味著，模型將負類預測為正類，反之亦然。
如何用AUC-ROC 曲線做多類別分類？
在多類別模型中，我們可以使用One vs ALL方法為N個數字類繪製N個AUC-ROC曲線。因此，例如，如果你有三個名為X，Y和Z的類，你將有一個針對Y和Z分類的X的ROC，針對X和Z分類的Y的另一個ROC，以及針對Y和X分類的Z的第三個ROC 。
加群交流
關注各種神奇的計算機視覺技術，歡迎加入52CV專業討論群，掃碼添加CV君拉你入群，
（請務必註明:52CV）
喜歡在QQ交流的童鞋，可以加52CV官方QQ群：702781905。
（不會時時在線，如果沒能及時通過驗證還請見諒）
長按關注我愛計算機視