ROC曲线解读

问题

仔细看ROC曲线发现"奇怪"的问题: ROC曲线横纵坐标分别为假阳性率和真阳性率,但是当假阳性率越来越大的时候从曲线得到真阳性率也是越来越大?为什么不是一个增加一个减小呢

在ROC(Receiver Operating Characteristic)曲线中,横轴表示假阳性率 (False Positive Rate, FPR),纵轴表示真阳性率(True Positive Rate, TPR)。关于假阳性率和真阳性率的变化关系,实际上是与分类模型的预测阈值有关的。

  1. 假阳性率(FPR) :指的是所有负样本中被错误分类为正样本的比例,计算公式为:

    其中,FP是假阳性数(负样本被错分类为正样本),TN是真阴性数(负样本正确分类为负)。

  2. 真阳性率(TPR) :指的是所有正样本中被正确分类为正样本的比例,计算公式为:

    其中,TP是真阳性数(正样本被正确分类为正样本),FN是假阴性数(正样本被错分类为负样本)。

为什么FPR增加时TPR也增加?

ROC曲线展示了不同阈值下,模型的FPR和TPR的变化情况。当我们改变分类模型的阈值时:

  • 低阈值 :当我们将阈值设得很低时,几乎所有的样本都会被预测为正类,这样假阳性率 (FPR)就会变得非常高,因为很多负样本被错误地预测为正类。而真阳性率(TPR)也会很高,因为大部分正样本会被正确预测为正类。

  • 高阈值 :当我们将阈值设得很高时,只有那些置信度非常高的样本才会被预测为正类,这样假阳性率 会下降,因为预测为正类的负样本减少了。但是,真阳性率也会降低,因为一些原本应该被正确分类为正类的样本现在被误判为负类。

在ROC曲线的变化过程中,假阳性率和真阳性率通常是同步变化的。当放宽阈值,使得更多的样本被预测为正类时,假阳性率和真阳性率都会增加。相反,当提高阈值时,二者都减小。

相关推荐
Frag0ut4 分钟前
Chrome 2026浏览器AI助手全攻略:智能问答与内容创作实战进阶指南
人工智能·chrome·ai助手·本地大模型·浏览器ai·网页智能总结·侧边栏ai
如夏倾城38 分钟前
入侵检测系统(IDS)原理、部署模式与 IPS/防火墙对比
大数据·网络·人工智能·网络安全·云原生·架构·kubernetes
Dawson Zhu43 分钟前
【模型量化⑤】Weight-Only INT4:AWQ与GPTQ两大算法深度解析
人工智能·语言模型·架构·aigc·agi
水如烟1 小时前
孤能子视角:通用智能 vs 分工协同智能群系统–––集中结晶 vs 分布式结晶
人工智能
罗西的思考2 小时前
【轻量化复现大模型 / KIMI K3】训练模块梳理 & Muon P2P 优化器
人工智能·深度学习·机器学习
lilihuigz2 小时前
权限配置:WordPress 7.2 Abilities API 权限、输入验证与 JSON 输出指南
人工智能
杨凯凡2 小时前
IT日报|2026-11-20:欧盟 AI 网络攻击、Valkey 9.2、GitHub 企业迁移
人工智能·github
鲁邦通物联网2 小时前
机器人梯控到站状态机设计:楼层匹配、事件时序与任务判断
人工智能·机器人·机器人梯控·agv梯控·非侵入式采集·机器人乘梯·机器人自主乘梯
静水深码3 小时前
文生图提示词的工程师写法:把玄学话术拆成结构化模板
人工智能·后端·代码规范
Seiran3 小时前
Claude Fable 5.1写技术方案,ZEEKEAI提效实录
人工智能