标签：AUC 负类 预测 ROC TP 正类 Measure

　先理解一下正类（Positive）和负类（Negetive），比如现在要预测用户是否点击了某个广告链接，点击了才是我们要的结果，这时，点击了则表示为正类，没点击则表示为负类。

　　TP(True Positive)：被预测成了正类的正类，即正确预测的正类

　　FP(False Positive)：被预测成了正类的负类

　　TN(True Negetive)：被预测成了负类的负类，即正确预测的负类

　　FN(False Negetive)：被预测成了负类的正类

一、准确率（Accuracy）

　　准确率跟正类负类没多大关系，表示在预测结果中，正确预测的数量 / 样本总数。

二、精确率（Precision）

　　在预测结果中，正确预测的正类数 / 预测为正类的数量 : TP / (TP+FP）

三、召回率（Recall）

　　在预测结果中，正确预测的正类数 / 原本即为正类的数量 : TP / (TP+FN）

四、F-Measure

　　用precision和recall两个指标不直观，索性把他们合并为一个变量——F-measure：Recall * Precision * 2 / (Recall + Precision)（越大越好，1为理想状态，此时precision为1，recall为1）

五、ROC

　　ROC曲线是以 FP Rate 为横轴，TP Rate 为纵轴的曲线。如下图所示

　　　　　　　　图片来源：https://www.cnblogs.com/haoguoeveryone/p/haoguo_5.html

六、AUC

　　AUC 即 ROC 曲线对应的面积，面积越大越好。

七、疑问

　　ROC曲线理想情况下，应该是TP Rate越接近1，FP Rate越接近0更好才对。但对应于AUC，应该是曲线越靠近左上方AUC越大，曲线越靠近右下方AUC越小。这样就显得有点矛盾了，有点搞不清楚，是不是曲线呈现下降趋势才是正确的？希望有大神看到了帮我一下，谢谢！感激不尽！

标签：AUC,负类,预测,ROC,TP,正类,Measure
来源： https://www.cnblogs.com/lyuzt/p/11066675.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。