模型评估-人脸识别图像预处理技术
第十一章模型评估11.1 ROC曲线1. ROC曲线:接收者操作特征（receiver operating characteristic），roc曲线上每个点反映着对同一信号刺激的感受性横轴：负正类率（false positive rate，FPR）特异度Specificity代表分类器预测的正类中实际负实例占所有负实例的比例。1-Specificity纵轴：真正类率（true positive rate，TPR）灵敏度Sensitivity（正类覆盖率）代表分类器预测的正类中实际正实例占所有正实例的比例。Sensitivity 2.针对二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况. (1)若一个实例是正类并且被预测为正类，即为真正类(True Postive TP) (2)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN) 3.分类模型的性能根据模型正确和错误预测的检验记录计数进行评估，这些计数存放在称作混淆矩阵（confusion matrix）的表格中列联表如下：由上表可得出横，纵轴的计算公式： (1)真正类率(True Postive Rate)TPR: TP/(TP+FN),代表分类器预测的正类中实际正实例占所有正实例的比例。Sensitivity ----纵坐标(2)负正类率(False Postive Rate)FPR: FP/(FP+TN)，代表分类器预测的正类中实际负实例占所有负实例的比例。1-Specificity ---横坐标
文件大小：4.91MB
评论区