机器学习之ROC曲线
- 1.TPR与FPR计算
- 2.TPR、FPR与分类阈值的关系
- 3.生成ROC曲线
- 4.AUC计算
- 参考文献
本博客主要参考了https://www.evidentlyai.com/classification-metrics/explain-roc-curve。

1.TPR与FPR计算
真阳率TPR(True Positive rate),又称召回率recall rate。

假阳率FPR(False Positive rate):

2.TPR、FPR与分类阈值的关系
从下图中的例子可以看出,随着阈值升高,识别的阈值升高,阳性样本被识别出的概率(即TPR或召回率)降低;阴性样本被识别出的概率升高,因此假阳率FPR也降低。

极端的情况,当阈值为0时,所有样本都识别成了阳


![[Meachines] [Medium] TartarSauce Wordpress-gwolle-gb-RFI+tar权限提升+定时器备份文件权限提升](https://img-blog.csdnimg.cn/img_convert/4b467fec8e538f192c14e4e0248dd6d3.jpeg)















