首先，在試圖弄懂auc和roc曲線之前，一定，一定要徹底理解混淆矩陣的定義！！！混淆矩陣中有著positive、negative、true、false的概念，其意義如下：稱**類別為1的為positive（陽性），**類別為0的為negative（陰性）。**正確的為true（真），**錯誤的為false（偽）。對上述概念進行組合，就產生了如下的混淆矩陣：
然後，由此引出true positive rate（真陽率）、false positive（偽陽率）兩個概念：
仔細看這兩個公式，發現其實tprate就是tp除以tp所在的列，fprate就是fp除以fp所在的列，二者意義如下：
tprate的意義是所有真實類別為1的樣本中，**類別為1的比例。
fprate的意義是所有真實類別為0的樣本中，**類別為1的比例。
深度學習auc 如何理解機器學習和統計中的AUC？
之前各位的回答從各個角度解釋了auc的意義和計算方法，但是由於本人實在愚鈍，一直沒能參透auc的意義和計算方法之間的聯絡，直到剛才突然有所頓悟，本著盡量言簡意賅 淺顯易懂的原則，在這裡記錄一下。首先，在試圖弄懂auc和roc曲線之前，一定，一定要徹底理解混淆矩陣的定義！混淆矩陣中有著positive...
機器學習 ACC ROC和AUC
很多時候我們都用到roc和auc來評判乙個二值分類器的優劣，其實auc跟roc息息相關，auc就是roc曲線下部分的面積，所以需要首先知道什麼是roc，roc怎麼得來的。然後我們要知道一般分類器會有個準確率acc，那麼既然有了acc，為什麼還要有roc呢，acc和roc的區別又在哪兒，這是我喜歡的一...
統計機器學習 1 統計機器學習基礎
網路 演算法 機器 優化 概率 統計 資料 矩陣 資訊 模型 推理 獲知識 靠學習 we are drowning in information and starving for knowledge.john naisbitt data model knowledge mlstatistics 備註...