matlab绘制roc曲线,手把手画ROC曲线

╰+哭是因爲堅強的太久メ 2023-01-14 03:58 115阅读 0赞

假设现在有一个二分类问题，先引入两个概念：真正例率(TPR)：正例中预测为正例的比例

假正例率(FPR)：反例中预测为正例的比例

再假设样本数为6，现在有一个分类器1，它对样本的分类结果如下表(按预测值从大到小排序)标签预测值10.9

10.8

10.7

00.3

00.2

00.1

ROC曲线的横轴为假正例率，纵轴为真正例率，范围都是\[0,1\]，现在我们开始画图——根据从大到小遍历预测值，把当前的预测值当做阈值，计算FPR和TPR。

step1：选择阈值最大，即为1，正例中和反例中都没有预测值大于等于1的，所以FPR=TPR=0。

step2：根据上表，选择阈值为0.9，正例中有1个样本的预测值大于等于1，反例中有0个，所以，TPR=1/3，FPR=0。

step3：根据上表，选择阈值为0.8，正例中有2个样本的预测值大于等于1，反例中有0个，所以，TPR=2/3，FPR=0。

step4：根据上表，选择阈值为0.7，正例中有3个样本的预测值大于等于1，反例中有0个，所以，TPR=1，FPR=0。

step5：根据上表，选择阈值为0.3，正例中有3个样本的预测值大于等于1，反例中有1个，所以，TPR=1，FPR=1/3。

step6：根据上表，选择阈值为0.2，正例中有3个样本的预测值大于等于1，反例中有2个，所以，TPR=1，FPR=2/3。

step7：根据上表，选择阈值为0.1，正例中有3个样本的预测值大于等于1，反例中有3个，所以，TPR=1，FPR=1。

综上，我们得到下表FPRTPR01/3

02/3

01

1/31

2/31

11

描点连线，画出的图是下面这样什儿的

![AAffA0nNPuCLAAAAAElFTkSuQmCC][]

可以看出这个分类器还是很理想的。

假设现在又有一个分类器2，对同样一组样本，分类结果如下标签预测值10.9

10.8

00.75

10.7

00.2

00.1

根据上面描述的方法，画出ROC曲线如下

![AAffA0nNPuCLAAAAAElFTkSuQmCC][]

发现这个曲线的左上角比之前往右下角凹了一点。

emmmm，现在又来了一个分类器3，对同样一组样本，分类结果如下标签预测值10.9

00.8

00.78

10.75

10.2

00.1

不多说，直接画图——

![AAffA0nNPuCLAAAAAElFTkSuQmCC][]

哎？这个曲线比之前更“凹”了。

实际上，不用画出曲线，只是根据这3个分类器的分类结果，我们也能大概能分析出它们的性能：分类器1>分类器2>分类器3。

对分类器1的预测结果来说，所有的正例的预测值都在1这一侧，所有反例的预测值都在0那一侧，只要阈值取得合适，即阈值落在(0.3,0.7)内都可以。

再看分类器2的预测结果，出现了对反例的预测值(0.75)大于对正例的预测值了(0.7)，所以不能选择一个合适的阈值把这两类完全分开，所以反映在图上就是左上角凹了一点，但对大部分样本还是可以正确分类的。

再看分类器3的预测结果，这种不稳定性就更明显了，所以相比前两个的ROC曲线，凹得就更多了。

从这个角度，也就不难得出，ROC下面的面积越大，分类器越好的结论了。当然还有严格的数学角度的分析，感兴趣的，了解一下。

下面附上画图用的matlab代码clear;

clc;

% 分类器1% label = \[1,1,1,0,0,0\];

% predict = \[0.9,0.8,0.7,0.3,0.2,0.1\];

% 分类器2% label = \[1,1,0,1,0,0\];

% predict = \[0.9,0.8,0.75,0.7,0.2,0.1\];

% 分类器3label = \[1,0,0,1,1,0\];

predict = \[0.9,0.8,0.78,0.75,0.2,0.1\];

TPR=\[\];

FPR=\[\];

numPositive = size(find(label==1),2);

numNegative = size(find(label==0),2);

postive = predict(find(label==1));

negative = predict(find(label==0));for i=1:size(label,2)+1

if i==1

cur = 1;    else

cur = predict(i-1);    end

TPR(i) = size(find(postive>=cur),2)/numPositive;

FPR(i) = size(find(negative>=cur),2)/numNegative;endplot(FPR,TPR,'k\*-')

axis(\[0 1 0 1\]);

xlabel('FPR')

ylabel('TPR')

作者：阿健在长安

链接：https://www.jianshu.com/p/6572bf3a0d5d

[AAffA0nNPuCLAAAAAElFTkSuQmCC]:

发表评论取消回复

表情：

评论列表（有 0 条评论，115人围观）

还没有评论，来说两句吧...

相关阅读

相关使用R语言绘制ROC曲线

使用R语言绘制ROC曲线在机器学习和医学诊断等领域，接收者操作特征曲线（Receiver Operating Characteristic Curve，简称ROC曲线）被广

「爱情、让人受尽委屈。」/ 2024年03月24日 19:04/ 0 赞/ 4 阅读

相关 matlab绘制roc曲线,手把手画ROC曲线

假设现在有一个二分类问题，先引入两个概念：真正例率(TPR)：正例中预测为正例的比例假正例率(FPR)：反例中预测为正例的比例再假设样本数为6，现在有一个分类器1，它对

╰+哭是因爲堅強的太久メ/ 2023年01月14日 03:58/ 0 赞/ 116 阅读

相关如何使用 PRROC 画 ROC 曲线

1. 什么是ROC 曲线？ 1.1 曲线的横纵轴 [sensitivity][], [recall][], [hit rate][], or [true positiv

电玩女神/ 2022年10月30日 14:29/ 0 赞/ 197 阅读

相关 PR曲线与ROC曲线绘制

0 用到的知识介绍ROC和PR前先介绍混淆矩阵便于理解。 <table> <thead> <tr> <th>-</th> <th>预测值正

叁歲伎倆/ 2022年09月17日 05:22/ 0 赞/ 258 阅读

相关 python绘制precision-recall曲线、ROC曲线

基础知识 TP（True Positive）：指正确分类的正样本数，即预测为正样本，实际也是正样本。 FP（False Positive）：指被错误的标

「爱情、让人受尽委屈。」/ 2022年07月13日 04:06/ 0 赞/ 530 阅读

相关 ROC曲线详解

最近学习遇到这个概念，看了半天总算明白了这个曲线的意义。 —————————————————————————————————分割线 1 ROC曲线的概念受试者工作特征曲

你的名字/ 2022年05月26日 05:58/ 0 赞/ 201 阅读

相关 ROC曲线

![1365347967_7947.jpg][] ![1365348000_5956.jpg][] ![1365348016_7395.jpg][] ![13653480

短命女/ 2022年04月10日 09:26/ 0 赞/ 214 阅读

相关 ROC、AUC曲线

一 roc曲线 1、roc曲线：接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性。横轴：

客官°小女子只卖身不卖艺/ 2022年04月06日 19:14/ 0 赞/ 201 阅读

相关 Roc曲线、AUC

1 概述　　AUC（Area Under roc Curve）是一种用来度量分类模型好坏的一个标准。这样的标准其实有很多，例如：大约10年前在machine lear

梦里梦外;/ 2022年01月28日 02:55/ 0 赞/ 246 阅读

相关 sklearn 绘制多分类ROC曲线

from rasa_nlu.model import Interpreter from sklearn.metrics import precision_sco

妖狐艹你老母/ 2022年01月14日 12:03/ 0 赞/ 374 阅读