关键词：
1. 基本概念
1.1 ROC与AUC
ROC曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣，ROC曲线称为受试者工作特征曲线 （receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve），AUC（Area Under Curve）是ROC曲线下的面积。在计算ROC曲线之前，首先要了解一些基本概念。在二元分类模型的预测结果有四种，以判断人是否有病为例：
- 真阳性（TP）：诊断为有，实际上也有病。
- 伪阳性（FP）：诊断为有，实际却没有病。
- 真阴性（TN）：诊断为没有，实际上也没有病。
- 伪阴性（FN）：诊断为没有，实际却有病。
其关系如下图所示：
ROC空间将伪阳性率（FPR）定义为X轴，真阳性率（TPR）定义为Y轴。TPR：在所有实际为阳性的样本中，被正确地判断为阳性之比率，TPR=TPTP+FN 。FPR：在所有实际为阴性的样本中，被错误地判断为阳性之比率，FPR=FPFP+TN。
1.2 Precision、Recall与F1
对于二分类问题另一个常用的评价指标是精确率（precision）与召回率（recall）以及F1值。精确率表示在预测为阳性的样本中，真正有阳性的样本所占的比例。精确率的定义为P=TPTP+FP。召回率表示所有真正呈阳性的样本中，预测为阳性所占的比例。召回率的定义为R=TPTP+FN，F1值是精确率和召回率的调和均值，公式为F1=2PRP+R。精确率和召回率都高时，F1值也会高。通常情况下，Precision与Recall是相互矛盾的。
2. 曲线介绍
2.1 ROC曲线
ROC曲线坐标系如下图所示，虚线为随机猜测的概率，即猜对跟猜错的概率是一样的。理想情况下，我们是希望FPR为0，没有一个假阳性，TPR为1，即全为真阳性，此时所有样本都被正确分类，点位于左上角(0,1)位置处，没有一个分错的数据，这是最完美的情况，实际情况中基本不可能。如果点位于虚线下方，例如C点，说明分类错误的多，分类正确的少，此时不是我们想要的。如果点位于虚线上方，例如C′点，说明分类错误的少，分类正确的多，此时是我们想要的，因此我们希望ROC曲线尽可能的靠近左上角。对于一个特定的分类器和测试数据集，只能得到一个分类结果，即ROC曲线坐标系中的一点，那么如何得到一条ROC曲线呢？分类问题中我们经常会得到某个样本是正样本的概率，根据概率值与阈值的比较来判断某个样本是否是正样本。在不同的阈值下可以得到不同的TPR和FPR值，即可以得到一系列的点，将它们在图中绘制出来，并依次连接起来就得到了ROC曲线，阈值取值越多，ROC曲线越平滑。
AUC为ROC曲线下的面积，它的面积不会大于1，由于ROC曲线一般都处于直线y=x的上方，因此AUC的取值范围通常在(0.5，1)之间。由于ROC曲线不能很好的看出分类器模型的好坏，因此采用AUC值来进行分类器模型的评估与比较。通常AUC值越大，分类器性能越好。
在基本概念中我们提到了精确率、召回率以及F1值，既然有它们作为二分类的评价指标，为什么还要使用ROC和AUC呢？这是因为ROC曲线有个很好的特性：当测试集中的正负样本分布发生变化时，即正负样本数量相差较大时，ROC曲线仍能保持不变。实际数据集中经常会出现样本数量不平衡现象，并且测试数据中的正负样本的分布也可能随着时间发生变化。下图是两个分类器模型（算法）的ROC曲线比较图：
2.2 P-R曲线
在P-R曲线中，Precision为横坐标，Recall为纵坐标。在ROC曲线中曲线越凸向左上角约好，在P-R曲线中，曲线越凸向右上角越好。P-R曲线判断模型的好坏要根据具体情况具体分析，有的项目要求召回率较高、有的项目要求精确率较高。P-R曲线的绘制跟ROC曲线的绘制是一样的，在不同的阈值下得到不同的Precision、Recall，得到一系列的点，将它们在P-R图中绘制出来，并依次连接起来就得到了P-R图。两个分类器模型（算法）P-R曲线比较的一个例子如下图所示：
2.3 ROC与P-R对比
从公式计算中可以看出，ROC曲线中真阳性率TPR的计算公式与P-R曲线中的召回率Recall计算公式是一样的，即二者是同一个东西在不同环境下的不同叫法。当正负样本差距不大的情况下，ROC曲线和P-R的趋势是差不多的，但是当负样本很多的时候，ROC曲线效果依然较好，但是P-R曲线效果一般。
ROC 和 Precision-Recall 中的零分母？
】ROC和Precision-Recall中的零分母？【英文标题】：zerodenominatorinROCandPrecision-Recall?【发布时间】：2017-10-1522:54:39【问题描述】：这个问题是关于ROC曲线的，但是可以推广到Precision-Recall曲线。您可能知道，行曲线是使用假阳性率(FPR)... 查看详情
roc曲线及auc计算
...：分类精度；在信息检索(IR)领域中常用的recall和precision，等等。其实，度量反应了人们对”好”的分类结果的追求，同一 查看详情
评估指标：roc，auc，precisionrecallf1-score
...评估指标，AUC值越大，说明模型越好。如下图： 二、Precision、Recall、F1-scoreTerminologyandde 查看详情
Precision-Recall曲线或ROC曲线是不是可能是一条水平线？
】Precision-Recall曲线或ROC曲线是不是可能是一条水平线？【英文标题】：IsitpossiblethatPrecision-RecallcurveoraROCcurveisahorizontalline?Precision-Recall曲线或ROC曲线是否可能是一条水平线？【发布时间】：2015-10-0303:53:32【问题描述】：我正在处... 查看详情
pr曲线，roc曲线以及绘制，auc
参考技术A原视频链接FPR;TPR可以看作为FP的Recall;以及TP的Recall。(只是为了方便记忆）参考链接 查看详情
分类评估方法-召回率roc与auc(代码片段)
...确率与召回率F1度量ROC与AUC精确率与召回率精确率（Precision）与召回率（Recall）是分类任务中的常用指标，首先需要知道混淆矩阵。在二分类问题中，我们把样例的真实类别与分类模型预测的预测类别，... 查看详情
分类评估方法-召回率roc与auc(代码片段)
...确率与召回率F1度量ROC与AUC精确率与召回率精确率（Precision）与召回率（Recall）是分类任务中的常用指标，首先需要知道混淆矩阵。在二分类问题中，我们把样例的真实类别与分类模型预测的预测类别，... 查看详情
detection：目标检测常用评价指标的学习总结（ioutpfptnfnprecisionrecallf1-scorep-r曲线apmaproc曲线tprfpr和auc）
...理解2.3.2TN，FN在目标检测中的理解2.3.3总结3.Accuracy、Precision、Recall和F1F_1F1-score指标3.1Accuracy3.2单类别下的Precision、recall和F1F_1F1-score的计算方法3.2.1Precision3.2.2Recall3.2.3Precision和Recall的侧重3.2.4F1F_1F1-score3.3多类别下的Precis... 查看详情
机器学习中的性能指标：精度召回率，pr曲线，roc曲线和auc，及示例代码(代码片段)
...3;TNTP+TN+FP+FNAccuracy=TP+TN+FP+FNTP+TNPrecision=TP(TP+FP)Precision=\\fracTP(TP+FP)Precision=(TP 查看详情
aucks新理解
...，可分割为不多于样本个数n个阈值。即可得到n个recall和precision把这些点连成线即为roc曲线。auc即为roc下的面积。那个点最接近左上角即为最好的阈值。1和0作阈值分别得到（0,0）和（1,1）点。样本点只是 查看详情
用scikit-learn实现分类指标评价
...评价指标，但是不适合样本不均衡的情况。3、精确率（Precision）又称查准率，正确预测为正样本（TP）占预测为正样本(TP+FP)的百分比。4、召回率（Recall）又称为查全率，正确预测为正样本（TP）占正样本(TP+FN)的百分比。5、F1Scor... 查看详情
roc曲线，auc，和p-r曲线的关系
参考技术A前言：二值分类器的指标很多，比如precision、recall、F1score、P-R曲线等发现这些指标或多或少只能反映模型在某一方面的性能。相比而言，ROC曲线则有很多优点，经常作为评估二值分类器最重要的指标之一。Precision（查... 查看详情
roc和auc介绍以及如何计算auc
...分类器。对于分类器，或者说分类算法，评价指标主要有precision， 查看详情
分类器性能度量指标之roc曲线、auc值
...的优劣。对于分类器，或者说分类算法，评价指标主要有precision，recall，F-score等，以及这里要讨论的ROC和AUC。混淆矩阵是理解大多数评价指标的基础，毫无疑问也是理解AUC的基础。丰富的资料介绍着混淆矩阵的概念，这里用一... 查看详情
一文读懂accuracy，precision，recall
...的横纵坐标走势是相同的，而P-R曲线则是反着的。不管是Precision，还是Recall，其实P-R曲线只考虑了正样本（预测对多少个正样本，以及找出来多少正样本），而ROC曲线即考虑了正样本（TPR，找出来多少正样本），也考虑到了负样... 查看详情
r语言使用yardstick包的pr_curve函数评估多分类（multiclass）模型的性能查看模型在多分类每个分类上的roc曲线(precision(精准率),r代表的是recall(召回率)(
R语言使用yardstick包的pr_curve函数评估多分类（Multiclass）模型的性能、查看模型在多分类每个分类上的ROC曲线(PR曲线：precision(精准率),R代表的是recall(召回率),其代表的是精准率与召回率的关系)目录 查看详情
加快 SVM 评分中的交叉验证
...】：2020-12-3120:28:32【问题描述】：我想得到acracy、average_precision、F1、precision、recall和roc_auc分数我确实意识到使用下面的代码，我会得到average_precision，问题是运行这段代码时需要大约20分钟才能显示结果，有没有更好的方法可以... 查看详情
机器学习分类问题指标——accuracy，precisionrecallf1，p-r，roc，auc（以鸢尾花为例）(代码片段)
文章目录1、基本属性：TP、TN、FP、FN2、精确率（Precision），召回率（Recall），准确率（Accuracy）3、F1-Score（精确率和召回率的调和平均数）4、P-RCurve（精确率-召回率曲线） 查看详情