机器学习中的AUC-ROC曲线
作者|ANIRUDDHA BHANDARI 编译|VK 来源|Analytics Vidhya AUC-ROC曲线 你已经建立了你的机器学习模型-那么接下来呢？你需要对它进行评估，并验证它有多好（或有多坏），这样你就可以决定是否实现它。这时就可以引入AUC-ROC曲线了。 这个名字可能有点夸张，但它只是说我们正在计算“Receiver Characteristic Operator”（ROC）的“Area Under the Curve”（AUC）。 别担心，我们会详细了解这些术语的含义，一切都将是小菜一碟！ 现在，只需知道AUC-ROC曲线可以帮助我们可视化机器学习分类器的性能。虽然它只适用于二值分类问题，但我们将在最后看到如何扩展它来评估多类分类问题。 我们还将讨论敏感性(sensitivity )和特异性(specificity )等主题，因为这些是AUC-ROC曲线背后的关键主题。 目录 什么是敏感性和特异性？ 预测概率 AUC-ROC曲线是什么？ AUC-ROC曲线是如何工作的？ Python中的AUC-ROC 用于多类分类的AUC-ROC 什么是敏感性和特异性？ 混淆矩阵： 从混淆矩阵中，我们可以得到一些在前面的文章中没有讨论过的重要度量。让我们在这里谈谈他们。 敏感度/真正例率/召回率 敏感度告诉我们什么比例的正例得到了正确的分类。