【機器學習】AUC和ROC

首先我們來看混淆矩陣: 然後，由此引出True Positive Rate（真陽率）、False Positive（僞陽率）兩個概念： TPRate的意義是所有真實類別爲1的樣本中，預測類別爲1的比例 FPRate的意義是所有真實類別爲0的樣本中，預測類別爲1的比例 ROC ROC曲線的橫軸是FPRate，縱軸是TPRate 當X=Y時，分類器的預測能力爲0，也就是和拋硬幣沒區別，此時AUC爲0.

>>阅读原文<<