ROC特性曲线简介.doc

ROC特性曲线简介.doc接收机特性曲线(urve)在信号检测理论,接收机特性曲线,或者ROC,是能够描绘二类分类系统的性能的图形,通过改变二类分类系统的判别阈值。通过绘制truepositive在所有positive中的比例(TPR二truepositiverate,(falsepositive,假阳性率)在所有negative中的比例(FPR=falsepositiverate),得到ROC曲线。TPR称作敏感性。FPR=1-真阴性率TNR。在信号检测理论中,接收者操作特征(receiveroperatingcharacteristic,或者叫ROC曲线)是一种对•于灵敏度进行描述的功能图像。ROC曲线可以通过描述真阳性率(TPR)和假阳性率(FPR)来实现。由于是通过比较两个操作特征(TPR和FPR)作为标准,ROC曲线也叫做相关操作特征曲线。ROC分析提供了选择最优模型与并抛弃非最优模型的工具。最初在二战屮由电气工程师和雷达工程师提出,并用來检测战场中的敌方目标,并引入心理学检测刺激的领域。现在在医学、放射、牛•物统计学、机器学****和机器挖掘等领域得到了应用。ROC是通过比较判据变化是操作特性(TPR与FPR)得到的。基本概念:一个分类模型(分类器)是一个将一个实例映射到一个特定类的过程。分类器的结果可以是—•个实数(连续输出),这些分类器中类的边界必须通过一个阈值检测,举例来说,通过血压来检测一个人是否冇高血压,或者它可以作为一个离散的标签表明的类。让我们来考虑一个两类预测问题(双分类器),其结果要么是真(P)要么是假5)。在双分类器屮有4类可能的输出。如果输出的预测是p而真实的结果也是P,那么这就叫做真阳性(TP)・、然而如果真实的结果是n,则这就叫做俊昭從(FP)。相反的来说,一个真阴性(TF)发生在预测结果和实际结果都为n的时候,而假阴性(FF)是当预测输出是n而实际值是p的时候。为了得到一个现实世界中的恰当的例子,考虑一个检测一个人是否得一种病的测试。一个假阳性就是一个人被测试是有这种病的,但实际却没有的情况。一个假阴性就是一个人被测试是健康的,但实际却是得病的情况。考虑实验,包含P个止实例与N的负实例,四种输出可以通过下面的统计表/混淆矩阵表示。頁实值预测输出全部真阳性假阳性假阴性真阴性nPNN*全部P'ROC空间的4个例子ROC空间耍生成一个ROC曲线,只需要真阳性率(TPR)和假阳性率(FPR),只要改变。TPR(=TP/(TP+FN=P))决定了•个分类器或者•个诊断测试在所有阳性样本中能正确区分的阳性案例的性能。而FPR(=FP/(FP+TN))是决定了在所有阴性的样本小有多少假阳性的判断。通过上而的表述,可见TPR反应的是对阳性样木的识别能力;而FPR是对阴性样木的识别能力。ROC空间将FPR和TPR定义为x和y轴,这样就描述了真阳性(获利)和假阳性(成木)之间的博弈。而TPR就可以定义为灵緻度,而FPR就定义为0特异度},因此ROC曲线有时候也叫做”灵傲度和1•特界度“图像。每一个预测结果在ROC空间中以一个点代表。最好的可能预测方式是一个在左上角的点,在ROC空问坐标轴(0,1)点,这个代表着100%灵敏(没有假阴性)和100%特界(没有假阳性)。而(0,1)点被称为完美分类器。一个完全随机预测会得到一条从左下到右上对角线