From a890736c24dd1a98cd8f71bb145d0e8fc642c5e7 Mon Sep 17 00:00:00 2001 From: CoderOverflow Date: Tue, 9 Apr 2019 17:07:17 +0800 Subject: [PATCH] =?UTF-8?q?2.16.12=20=E5=A6=82=E4=BD=95=E7=94=BBROC?= =?UTF-8?q?=E6=9B=B2=E7=BA=BF=20=E5=86=85=E5=AE=B9=E4=BF=AE=E8=AE=A2?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit 2.16.12 如何画ROC曲线 内容修订 --- ch02_机器学习基础/第二章_机器学习基础.md | 6 +++--- 1 file changed, 3 insertions(+), 3 deletions(-) diff --git a/ch02_机器学习基础/第二章_机器学习基础.md b/ch02_机器学习基础/第二章_机器学习基础.md index af69652..cd27893 100644 --- a/ch02_机器学习基础/第二章_机器学习基础.md +++ b/ch02_机器学习基础/第二章_机器学习基础.md @@ -1187,9 +1187,9 @@ $$ 步骤： 1、假设已经得出一系列样本被划分为正类的概率，按照大小排序。 - 2、从高到低，依次将“Score”值作为阈值threshold，当测试样本属于正样本的概率大于或等于这个threshold时，我们认为它为正样本，否则为负样本。 举例来说，对于图中的第4个样本，其“Score”值为0.6，那么样本1，2，3，4都被认为是正样本，因为它们的“Score”值都大于等于0.6，而其他样本则都认为是负样本。 - 3、每次选取一个不同的threshold，得到一组FPR和TPR，即ROC曲线上的一点。以此共得到20组FPR和TPR的值。其中FPR和TPR简单理解如下： - 4、根据3）中的每个坐标点点，画图。 + 2、从高到低，依次将“Score”值作为阈值threshold，当测试样本属于正样本的概率大于或等于这个threshold时，我们认为它为正样本，否则为负样本。举例来说，对于图中的第4个样本，其“Score”值为0.6，那么样本1，2，3，4都被认为是正样本，因为它们的“Score”值都大于等于0.6，而其他样本则都认为是负样本。 + 3、每次选取一个不同的threshold，得到一组FPR和TPR，即ROC曲线上的一点。以此共得到20组FPR和TPR的值。 + 4、根据3、中的每个坐标点，画图。 ![](./img/ch2/2.40.11/1.jpg)