学习ROC

首先，我们来了解一下常用的决策分类：

在评价一种检测方法的效果是，人们常用到两个概念：灵敏度 $Sn$和特异度 $Sp$。
$Sn=\frac{TP}{TP+FN}, Sp=\frac{TN}{TN+FP}$
灵敏度表示真正的阳性样本中有多少比例能被正确检测出来，特异度表示在真正的阴性样本中有多少比例没有被误判，它们分别表示了所研究的方法能够把阳性样本正确识别出来的能力和把阴性样本正确判断出来的能力。（摘自书本）

ROC曲线
ROC: Receiver Operating Characteristic
纵轴为：真阳性率（灵敏度）
横轴为：假阳性率（ $1-$特异度）

ROC曲线常被用来比较两种分类判别方法的性能和被用来作为特征与类别相关性的度量。
对于一个决策方法，人们总是希望其真阳性率高、假阳性率低。ROC曲线越靠近左上方，说明方法性能越好。为了方便比较ROC曲线，人们发现可以用曲线下的（相对）面积即AUC(area under ROC curvers)来定量地衡量方法的性能。对角线的AUC是0.5，没有任何分类能力。AUC越接近1.0，方法的性能越好。

注：如无特殊说明，以上博文中的图片均来源于张学工所著《模式识别》第三版