理解混淆矩阵与AUC：ROC曲线、KS曲线、GINI系数的全面解析

文章目录

关于AUC洛伦兹曲线，KS评估指数，曲线，Gini系数，提升曲线和增益曲线。我在别人的博客中看到了下面的一个小故事：

故事是这样的：

首先，混乱矩阵是最古老的，最古老的和最古老的。创建了两个帮派小游戏排行，一个是夫妇帮派，另一个是一个阶级帮派。

之后，夫妻帮派中有两对夫妇，一条升降曲线和一条增益曲线。这两个人没有区分高和低的，并共享水平轴。

同样，阶级帮派更加混乱。

1。领导者是ROC曲线。

2。副领导者是KS曲线和AUC区域。

3. AUC抚养了一个名叫吉尼系数的弟弟。

1.auc

AUC是ROC曲线下的区域，用作二进制分类模型的评估指数。

要了解AUC，您必须首先了解混乱矩阵。

1.1。混淆矩阵

混乱矩阵如下：

现实

1（true）

0（假）

pre

1（杨）

TP（）

FP（固定杨）

测试

0（yin）

FN（伪素）

TN（true yin）

真正的正速率（召回率）TPR = TPTP+FN TPR = \ frac {tp} {tp+fn} tpr = tp+fntp意味着，在所有具有实际类别1的样本中，预测类别为1。TPR越大，TPR越大，可能是真实的。

伪阳性速率FPR = FPFP+TN FPR = \ frac {fp} {fp+tn} fpr = fp+tnfp表示所有具有实际类别0的样本中预测类别1的比率。

1.2.ROC曲线

水平轴为FPR，垂直轴为TPR。目的是希望FPR尽可能小，而TPR尽可能大。

绘制数字通常显示在下图：

每个样品的预测值（例如0.6、0.7等）是通过模型预测获得的白雪公主小游戏，每个样品的类别可以通过选择为正类别的阈值来判断，然后可以计算相应的TPR和FPR。与所获得的样品值相对应的预测值通常用作阈值，并计算相应的TPR和FPR。之后，获得的点连接到（0，0）和（1，1），并获得ROC曲线。之后，将计算ROC曲线下的面积火柴人勇者试炼无敌版，并且AUC值将为AUC。

1.3。关于AUC值

AUC值在[0.5,1]中，0.5表示该模型没有分类效应。如果它小于0.5，则意味着它不如随机猜测，但此时对反面进行预测，则结果模型比随机猜测更好。 AUC值越高，越好。

此外，AUC值比准确性指数的优点是，它对于基于具有不平衡数据的数据集的模型具有更好的评估意义。

示例：在反欺诈场景中，0个占99.9％，1个占0.1％。如果模型目前将样品预测为0五子彩球连连看，则准确率为99.9％。尽管它似乎具有很高的精度率，但完全预测为0符合猜测，并且这种模型没有区分的实际能力。当我们计算该模型的AUC值时，我们会发现该模型的AUC值为0.5，这意味着没有分类能力。这是AUC的优势

2。KS评估指标

通过测量好样品和坏样品的累积分布的差异来评估模型的风险区分能力。

定义：ks = max（tpr-fpr）ks = max（tpr-fpr）ks = max（tpr-fpr）

KS和AUC都使用TPR和FPR指标。区别是：

游戏大全