roc指标计算公式

ROC指标计算公式：来自受试者工作特征曲线

(ReceiverOperatingCharacteristiccurveROCcurve)ROC标是一种用来评估判决和模型性能的指标，是机器学习和数据挖掘中常用的方法之一。ROC线可以代表一个分类器或者模型的性能，它可以评估模型的敏感性和特异性。ROC线的运用非常广泛：例如用来衡量医疗诊断测试的性能，或者用来衡量监督学习和机器学习模型的性能，或者可以通过 ROC线来比较各种评估模型的性能。

ROC标分别用来衡量模型的真正召回率（True Positive Rate ,TPR）和假召回率（False Positive Rate ,FPR），两者之间的差异可以用来衡量模型的准确性和召回率。ROC标的计算公式如下： TPR (True Positive Rate) =阳性（True Positive）/（真阳性（True Positive） +阴性（False Negative））

FPR (False Positive Rate) =阳性（False Positive）/（假阳性（False Positive） +阴性（True Negative）） ROC线计算方法：

1.先，将正负类样本按照一定的阈值分为正类和负类，例如人工分类或者机器学习算法预测分类。

2.后，计算出真正召回率(True Positive Rate, TPR)假召回率(False Positive Rate, FPR)，根据TPRFPR值可以计算模型的准确性和召回率。

3.TPRFPR值，可画出ROC线，ROC线可以看出模型的敏感性和特

- 1 -

异性。

4.后，计算AUC (area under the curve) , AUC可以反映模型的性能。

ROC线的构图及意义：ROC线是由TPRFPR 两条线构成，TPRFPR关系是由阈值不断变化而产生，当阈值不断变高时，TPRFPR会减小，而当阈值不断降低时，TPR和FPR会增加，ROC线是TPRFPR 两条线的图形表示，它可以用来衡量模型的准确性和召回率。随着阈值变化，模型精度以及召回率也会发生变化，通过ROC线可以很直观的看出模型的敏感性和特异性。 ROC线的特点：

1. ROC线的斜率越小越好，它可以反映出模型的召回率。 2. ROC线的曲线面积越大，模型的性能越好。

3.ROC线接近原点时，模型性能最差，说明模型在判断准确性和召回率上都不够理想。

4. ROC线接近x轴或y轴时，模型的性能也会变的很差。 ROC标的应用：

1.来衡量医疗诊断测试的性能：ROC线可以帮助医生们更好的识别和评估医疗诊断测试的准确性和召回率。

2.来衡量监督学习和机器学习模型的性能：ROC线可以用来评估机器学习和数据挖掘模型的模型评估指标。

3.来比较各种评估模型的性能：ROC线可以用来比较不同模型的准确性和召回率，可以帮助用户选择最佳模型。

- 2 -

总结：ROC标是一种用来衡量判决和模型性能的指标，计算公式是TPR (True Positive Rate)和FPR (False Positive Rate)，它通过TPRFPR以衡量模型的准确性和召回率，ROC线可以表示模型的敏感性和特异性，并且可以应用于医疗诊断测试、监督学习和机器学习模型的性能评估，以及比较各种评估模型的性能。

- 3 -