您好,現在漢漢來為大家解答以上的問題。如何做ROC曲線，roc曲線制作具體步驟相信很多小伙伴還不知道,現在讓我們一起來看看吧！

1、正因為我們比較關注正例的情形，所以設置了兩個相應的指標：TPR與FPR。

2、　　TPR：True Positive Rate，將實際的1正確地預測為1的概率，d/(c+d)。

3、　　FPR：False Positive Rate，將實際的0錯誤地預測為1的概率，b/(a+b)。

4、　　TPR也稱為Sensitivity（即生物統計學中的敏感度），在這里也可以稱為“正例的覆蓋率”——將實際為1的樣本數找出來的概率。

5、覆蓋率是重要的指標，例如若分類的目標是找出潛在的劣質客戶（響應變量取值為1），則覆蓋率越大表示越多的劣質客戶被找出。

6、　　類似地，1-FPR其實就是“負例的覆蓋率”，也就是把負例正確地識別為負例的概率。

7、　　TPR與FPR相互影響，而我們希望能夠使TPR盡量地大，而FPR盡量地小。

8、影響TPR與FPR的重要因素就是上文提到的“閾值”。

9、當閾值為0時，所有的樣本都被預測為正例，因此TPR=1，而FPR=1。

10、此時的FPR過大，無法實現分類的效果。

11、隨著閾值逐漸增大，被預測為正例的樣本數逐漸減少，TPR和FPR各自減小，當閾值增大至1時，沒有樣本被預測為正例，此時TPR=0，FPR=0。

12、　　由上述變化過程可以看出，TPR與FPR存在同方向變化的關系（這種關系一般是非線性的），即，為了提升TPR（通過降低閾值），意味著FPR也將得到提升，兩者之間存在類似相互制約的關系。

13、我們希望能夠在犧牲較少FPR的基礎上盡可能地提高TPR，由此畫出了ROC曲線。

14、　　ROC曲線的全稱為“接受者操作特性曲線”（receiver operating characteristic）　　當預測效果較好時，ROC曲線凸向左上角的頂點。

15、平移圖中對角線，與ROC曲線相切，可以得到TPR較大而FPR較小的點。

16、模型效果越好，則ROC曲線越遠離對角線，極端的情形是ROC曲線經過（0，1）點，即將正例全部預測為正例而將負例全部預測為負例。

17、ROC曲線下的面積可以定量地評價模型的效果，記作AUC，AUC越大則模型效果越好。

18、　　由于ROC曲線描述了在TPR與FPR之間的取舍，因此我一般將其理解為投入產出曲線，receive of cost。

19、（事實上我理解錯了。

20、相對而言lorenz曲線更適合這個名字。

21、當然啦其實FPR可以理解為另一種cost。

22、2010.10.15）　　當我們分類的目標是將正例識別出來時（例如識別有違約傾向的信用卡客戶），我們關注TPR，此時ROC曲線是評價模型效果的準繩。

本文就為大家分享到這里，希望小伙伴們會喜歡。