【QA】應該如何看懂ROC曲線與AUC ?
分類器模型最終目標就是要對資料進行分類，因此會產生預測正確與預測錯誤等兩種不同的結果，而下面我想跟大家討論一個評斷結果的指標---ROC。
回答列表
-
2021/08/25 上午 11:32Chili贊同數：0不贊同數：0留言數：0
在看懂ROC曲線之前，介紹一下真陽性率（True Positive Rate）與偽陽性率（False Positive Rate）。  * 真陽性率（True Positive Rate）： 代表分類器的預測是正確的，而實際也是正確的情況。（即預測成功） * 偽陽性率（False Positive Rate）： 表示分類器預測為正確，但實際上是錯誤的情況。（即預測錯誤） ---- * ROC： ROC曲線原名為Receiver Operator Characteristic Curve)，其中真陽性率（True Positive Rate）為Ｙ軸；偽陽性率（False Positive Rate）為Ｘ軸。 ROC曲線呈現出真陽性率與偽陽性間的關係。 其中座標上( 0 , 1)代表最好的分類情況，完全預測正確的情況。 因此越靠近ROC曲線的左上方，代表模型預測結果越傑出。  --- * AUC： AUC (Area Under Curve) 代表在ROC曲線底下的區域面積，也是大家常用的評估指標之一。ROC底下的面積越大越好，表示曲線更靠近左上方。  AUC = 1 時，為最理想的情況，分類器做完美的預測。 AUC > 0.5 時， 分類器效果比隨機猜測（盲猜）的結果還理想，預測有效果。 AUC = 0.5 時，分類器預測效果與隨機猜測相同，分類器沒有價值。 AUC< 0.5 時，預測效果比盲猜還要差。 --- 參考資料：https://medium.com/marketingdatascience/分類器評估方法-roc曲線-auc-accuracy-pr曲線-d3a39977022c
-
2023/09/21 下午 00:02CHANG WEN YI贊同數：0不贊同數：0留言數：0
偽陽性率公式錯了吧 FPR=FP/FP+TN