machine-learning - 如何切换ROC曲线以优化假阴性率？

Question

ROC 曲线绘制了 TPR 与 FPR 的关系，并根据训练集概率的排序改变阈值。选取的阈值是与左上角的点相关的概率。这基本上可以最大化 TPR 并最小化误报率。

但是，假设我的应用程序谈论最小化假阴性率？那么这条曲线会发生怎样的变化呢？两者之间如何平衡？

Answer 1

在我看来，您对 ROC 曲线是什么有些误解。

ROC 曲线绘制了阈值变化时 TPR 与 FPR 的关系。因此，ROC 曲线实际上是 3 维图，绘制了 3 个变量之间的关系:FPR、TPR 和阈值。图表上的每个点都反射(reflect)了特定阈值的实际 TPR 和 FPR。图表的左下角始终反射(reflect)阈值 1，而右上角反射(reflect)阈值 0。

ROC 曲线有两种常见用途:比较两个独立于阈值的不同模型，以及帮助选择合适的阈值。预测分析应用程序的“适当阈值”会根据您要解决的具体问题而有很大差异，但一般来说，您可以使用 ROC 曲线为您的特定应用程序选择一个具有可接受的 TPR/FPR 权衡的阈值。简单地选择最接近左上角的点的阈值很少会得到理想的结果。

一旦您从 ROC 曲线中选择了一个看似理想的阈值，您就可以研究混淆矩阵和其他评估指标(精确度、召回率、准确度、F1 等)来进一步评估该阈值。

为了回答您的直接问题，您是正确的，ROC 曲线不直接显示 FNR。在这种情况下，您可能需要使用灵敏度/特异性图，它以与 ROC 曲线类似的方式绘制 TPR 与 TNR 的关系。据我所知，没有直接关注 FNR 的标准评估方法。相反，我通常只是切换数据中的“正”和“负”标签并重新绘制 ROC 曲线。这(有效地)给出了 TNR 与 FNR。