【文件属性】:
文件名称:模型评估-人脸识别图像预处理技术
文件大小:4.91MB
文件格式:PDF
更新时间:2021-06-09 17:37:12
数据挖掘算法 Python
第十一章 模型评估
11.1 ROC 曲线
1. ROC 曲线: 接收者操作特征(receiver operating characteristic),roc 曲线上每个点反映着对同一信
号刺激的感受性
横轴:负正类率(false positive rate,FPR)特异度 Specificity
代表分类器预测的正类中实际负实例占所有负实例的比例。1-Specificity
纵轴:真正类率(true positive rate,TPR)灵敏度 Sensitivity(正类覆盖率)
代表分类器预测的正类中实际正实例占所有正实例的比例。Sensitivity
2. 针对二分类问题,将实例分成正类(postive)或者负类(negative)。但是实际中分类时,会出现四种
情况.
(1)若一个实例是正类并且被预测为正类,即为真正类(True Postive TP)
(2)若一个实例是正类,但是被预测成为负类,即为假负类(False Negative FN)
(3)若一个实例是负类,但是被预测成为正类,即为假正类(False Postive FP)
(4)若一个实例是负类,但是被预测成为负类,即为真负类(True Negative TN)
3. 分类模型的性能根据模型正确和错误预测的检验记录计数进行评估,这些计数存放在称作混淆矩
阵(confusion matrix)的表格中
列联表如下:
由上表可得出横,纵轴的计算公式:
(1)真正类率(True Postive Rate)TPR: TP/(TP+FN),代表分类器预测的正类中实际正实例占所有正实例
的比例。Sensitivity ------- 纵坐标
(2)负正类率(False Postive Rate)FPR: FP/(FP+TN),代表分类器预测的正类中实际负实例占所有负实
例的比例。1-Specificity ------ 横坐标