ROC曲线

ROC曲线（接收器工作特性曲线）是评估机器学习模型性能的重要工具。它们最常用于二进制分类问题，即具有两个不同输出类的问题。ROC曲线显示了模型的真阳性率（TPR）和假阳性率（FPR）之间的关系。TPR是分类器预测“正”观测值的“正”速率。FPR是分类器预测实际“负”观测值的“正”速率。完美分类器的TPR为1，FPR为0。

可以在MATLAB中计算ROC曲线^®使用性能曲线作用于统计和机器学习工具箱™. 此外，分类学习者应用程序生成ROC曲线，以帮助您评估模型性能。该应用程序允许您指定要绘制的不同类别，因此您可以查看具有两个以上不同输出类别的多类别分类问题的ROC曲线。

ROC曲线的工作原理

大多数用于二元分类的机器学习模型在进行预测时不会仅输出1或0。相反，它们会在[0,1]范围内的某个位置输出一个连续值。值等于或高于某个阈值（例如0.5）然后将阈值分类为1，低于该阈值的值分类为0。ROC曲线上的点表示不同阈值的FPR和TPR。

所选阈值可以位于范围[0,1]上的任何位置，并且生成的分类将根据该阈值的值进行更改。例如，如果阈值一直设置为0，则模型将始终预测1（任何大于或等于0的值都被分类为1）导致TPR为1，FPR为1。在ROC曲线的另一端，如果阈值设置为1，则模型将始终预测0（低于1的任何值均归类为0），导致TPR为0，FPR为0。

在评估分类模型的性能时，您最感兴趣的是在这些极端情况之间会发生什么。一般来说，ROC曲线越“向上和向左”，分类器就越好。

ROC曲线通常与交叉验证根据验证或测试数据评估模型的性能。