颜色分类leetcode-dsc-roc-curves-and-auc:dsc-roc-curves-and-auc

颜色分类leetcode ROC 曲线和 AUC 介绍 本课将介绍 ROC：接收者操作特征曲线和 AUC：曲线下面积。 到目前为止，您遇到的一些准确度分数可能看起来非常令人印象深刻； 第一次尝试时，80% 的准确率似乎非常好！ 您必须记住的是，对于二元分类，有时您一定是对的，即使只是随机猜测。 例如，一个人在猜测硬币是否落在正面上的准确率应该约为 50%。 这也可能导致在调整模型时出现问题。 如果您有一个包含罕见事件（例如疾病或中奖）的倾斜数据集，其中 1000 中只有 2 个阳性病例，那么即使是将所有内容都归类为“非会员”的简单算法也将达到 99.8% （1000 次中有 998 次是正确的）。 因此请记住，必须在更大的上下文中考虑 80% 的准确率。 AUC 是混淆矩阵的替代综合指标，ROC 图使我们能够确定特定于您要解决的问题的最佳精度 - 召回权衡平衡。 目标 你将能够： 定义 ROC 曲线和 AUC 解释如何使用 ROC 和 AUC 来评估和选择模型 ROC曲线 接收者操作符特征曲线（ROC 曲线）说明了我们分类器的真阳性率与假阳性率。 您之前已经看过真实阳性率，它是召回的另