测试项目列表在表格中的展示
111111 | 222222222 | 3 |
- 上看到芳姐给你可接受的发跟开发萨达姆看两个地方麦力克刚买的弗兰克干嘛圣诞快乐个描述得分
- 师傅了几个什么的反馈孟赶快来单方面更多浪费那就是地方可能咖喱豆腐看男格斗开发吗gsdfkj
- 是客服那个看减肥的刚开始都发公交卡丝黛芬妮觉得是发那个会计师单方面考虑过单方面
- 第三方公交卡士大夫京昆高速的命令方块蛮赶得
AUC的特点 |
1、AUC越大的分类器效果越好:使用AUC值作为分类器性能评价指标,是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好,而作为一个数值,对应AUC越大的分类器效果越好。 2、AUC最大化能获得最佳性能并且与应用场景无关:AUC的优势是通过最大化AUC,能获得最佳性能并且与应用场景无关,不论是为不同错误类型设置权重,还是重点关注某类数据的分类正确率。
3、AUC值是一个概率值且∈[0.5,1]—因其处于y=x上方: 当你随机挑选一个正样本以及一个负样本,当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值。当然,AUC值越大,当前的分类算法越有可能将正样本排在负样本前面,即能够更好的分类。
|
计算AUC |
直接计算正样本score大于负样本的score的概率。首先把所有样本按照score排序,依次用rank表示他们,如最大score的样本,rank=n;其次为n-1。那么对于正样本中rank最大的样本,有M-1个其他正样本比他score小,那么就有个负样本比它score小。其次为个负样本。 最后我们得到正样本大于负样本的概率为:其中n=M正样本+N负样本。
|