ROC 是受试者工作特征Receiver Operating Characteristic 或相对工作特征Relative Operating Characteristic 的缩写ROC 分析五十年代起源于统计决策理论后来应用于雷达信号观察能力的评价六十年代中期大量成功地用于实验心理学和心理物理学研究[1]Lusted 首次提出了ROC 分析可用于医学决策评价自从八十年代起该方法广泛用于医学诊断性能的评价[2] 如用于诊断放射学实验室医学癌症的筛选和精神病的诊断尤其是医学影像诊断准确性的评价

为了获取ROC曲线的最佳阈值，需要使用一个指标–约登指数，也称正确指数。 借助于matlab的roc函数可以得出计算。 % 1-specificity = fpr % Sensitivity = tpr; [tpr,fpr,thresholds] =roc(Tar',Val'); RightIndex=(tpr+(1-fpr)-1); [~,index]=max(RightIndex); % RightIndexVal=RightIndex(index(1)); tpr_val=tpr(index(1)); fpr_val=fpr(index(1)); thresholds_val=thre

电力窃漏电用户自动识别 参考书：《Python数据分析与挖掘实战》 工具：Pycharm2019.2.2 + Anaconda3(导入需要的库及Python.exe) 新建工程如下： 1.背景与数据分析目的 a.通过电力系统采集到的数据，提取出窃漏电用户的关键特征， b.构建窃漏电用户的识别模型:以实现自动检查、判断用户是否是存在窃漏电行为。 2.数据预处理 通过对拿到的数据进行数据质量分析，检查原始数据中存在的脏数据，通过查看原始数据中抽取的数据，发现存在数据缺失的现象，使用朗格拉日插值法：选取缺失值前5个数据作为前参考组，缺失值后5个数据作为后参考组，处理缺失值程序如下图1.1所示： #

此函数计算 ROC（接收者操作符特征）曲线下的面积。 该排名指标广泛用于机器学习、统计学、心理物理学等领域。 该函数可以轻松计算和绘制 100 个输入的 AUC 和 ROC 曲线，每个输入的大小为 10^5。

前言 ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。这篇文章将先简单的介绍ROC和AUC，而后用实例演示如何python作出ROC曲线图以及计算AUC。 AUC介绍 AUC(Area Under Curve)是机器学习二分类模型中非常常用的评估指标，相比于F1-Score对项目的不平衡有更大的容忍性，目前常见的机器学习库中(比如scikit-learn)一般也都是集成该指标的计算，但是有时候模型是单独的或者自己编写的，此时想要评估训练模型的好坏就得自己搞一个AUC计算模块，本文在

基本概念 precision：预测为对的当中，原本为对的比例（越大越好，1为理想状态） recall：原本为对的当中，预测为对的比例（越大越好，1为理想状态） F-measure：F度量是对准确率和召回率做一个权衡（越大越好，1为理想状态，此时precision为1，recall为1） accuracy：预测对的（包括原本是对预测为对，原本是错的预测为错两种情形）占整个的比例（越大越好，1为理想状态） fp rate：原本是错的预测为对的比例（越小越好，0为理想状态） tp rate：原本是对的预测为对的比例（越大越好，1为理想状态） ROC曲线通常在Y轴上具有真阳性率，在X轴上具有假阳性率。

4.3 模型评估方法 - ROC曲线与KS曲线.ipynb

为了利用ROC曲线下的面积(AUC),更好地评价多类SVM学习效果,提出了MOSMAUC(multi-objective optimizes multiclass SVM based on AUC)算法。该算法采用AUC作为评价标准,利用多目标优化算法作为SVM参数的优化方法,避免优化对象的AUC值过低问题,因为在多类分类学习中任何一个两类分类的AUC值太低,都会影响整体学习的效果。实验结果表明,提出的优化方法改进了算法的学习能力,取得了较好的学习效果。

ROC曲线函数

ROC曲线 ROC曲线（Receiver Operating Characteeristic Curve）是显示Classification模型真正率和假正率之间折中的一种图形化方法。 假设样本可分为正负两类，解读ROC图的一些概念定义: 真正（True Positive , TP），被模型预测为正的正样本 假负（False Negative , FN）被模型预测为负的正样本 假正（False Positive , FP）被模型预测为正的负样本 真负（True Negative , TN）被模型预测为负的负样本 真正率（True Positive Rate , TPR）或灵敏度（sensitivity） TPR = TP /（TP + FN） 正样本预测结果数 / 正样本实际数 假正率（False Positive Rate , FPR） FPR = FP /（FP + TN） 被预测为正的负样本结果数 /负样本实际数 ( TPR=1,FPR=0 ) 是理想模型 一个好的分类模型应该尽可能靠近图形的左上角。