ROC曲线绘制TPR与FPR的关系曲线，并根据训练集概率的等级顺序更改阈值。选取的阈值是与左上角最左上角的点关联的概率。这基本上使TPR最大化，并使误报率最小化。
但是，可以说我的应用程序在谈论最小化假阴性率吗？那么这条曲线将如何变化？两者之间如何平衡？
在我看来，您在某种程度上误解了ROC曲线。
ROC曲线绘制了阈值变化时TPR与FPR的关系。结果，ROC曲线实际上是3维图形，绘制了3个变量之间的关系：FPR，TPR和Threshold。图表上的每个点都反映特定阈值的实际TPR和FPR。图表的左下角始终反映阈值1，而右上角反映阈值0。
ROC曲线通常有两种用途：比较两个独立于阈值的不同模型，并帮助选择适当的阈值。预测分析应用程序的“适当阈值”将根据您所攻击的特定问题而有很大不同，但通常，您可以使用ROC曲线来选择阈值，并为特定应用程序选择可接受的TPR / FPR权衡。在极少数情况下，仅选择最接近左上角的点的阈值即可获得理想的结果。
一旦从ROC曲线中选择了一个理想的阈值，就可以调查混淆矩阵和其他评估指标（精度，召回率，准确性，F1等），以进一步评估该阈值。
要回答您的直接问题，您认为ROC曲线不直接显示FNR是正确的。在这种情况下，您可能需要使用灵敏度/特异性图，该图以与ROC曲线相似的方式绘制TPR与TNR。我知道没有一种标准的评估方法直接针对FNR。相反，我通常只切换数据中的“正”和“负”标签并重新绘制ROC曲线。这给出了（有效）TNR vs FNR。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句