machine-learning - 如何使用ROC曲线

Question

对于逻辑回归，我们通常遵循以下方法 ---

[1]随机初始化参数(theta)，并选择截止点/决定点(我们将高于此截止点的点视为一类，低于此点的点视为另一类)

[2] 使用 theta 和所选输入特征预测输出值 (h)

[3]使用预测(h)和实际结果计算成本

[4]计算梯度，以便我们可以使用它最小化theta

[5]使用获得的梯度重新计算theta

[6] 重复步骤 1-5 进行几次迭代，然后根据迭代次数绘制成本值(在每次迭代的第三步中获得)

[7] 如果成本值随着迭代次数的增加而减少，那么我们的分类器是好的，否则我们必须随机选择另一个 θ 值并开始

我们使用 ROC 曲线来分析截止点与真阳性率和真阴性率之间的权衡。我的问题是我们什么时候可以使用ROC曲线？是在使用梯度下降找到最小化 theta 之后吗？请帮忙!!

Answer 1

可以测量任何可调节预测变量的 ROC 曲线，无论情况有多糟糕。第一步后您可以立即测量它。当然，这会让你得到一条非常糟糕的曲线:同时有许多 FP 和 FN。

所有这些迭代的重点是降低 ROC 曲线。