【机器学习】AUC和ROC

首先我们来看混淆矩阵: 然后，由此引出True Positive Rate（真阳率）、False Positive（伪阳率）两个概念： TPRate的意义是所有真实类别为1的样本中，预测类别为1的比例 FPRate的意义是所有真实类别为0的样本中，预测类别为1的比例 ROC ROC曲线的横轴是FPRate，纵轴是TPRate 当X=Y时，分类器的预测能力为0，也就是和抛硬币没区别，此时AUC为0.

>>阅读原文<<