gpt4 book ai didi

machine-learning - 如何切换ROC曲线以优化假阴性率?

转载 作者:行者123 更新时间:2023-11-30 08:40:00 24 4
gpt4 key购买 nike

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?

最佳答案

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。

关于machine-learning - 如何切换ROC曲线以优化假阴性率?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/36415445/

24 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com