AUROC值意义 为什么ROC曲线能衡量模型效果呢？
ROC曲线分析是评价logistic回归模型的另一种方法。用ROC曲线下面积（AUC）评价模型预测值区分疾病与对照的能力。AUC也称为c统计量和一致性指数。ROC曲线下面积为a，可用来综合评价诊断的准确性。它可以理解为所有特定条件下的平均灵敏度，其取值范围为0≤a≤1。在a>0.5的情况下，a越接近1，诊断准确率越高。当a=0.5时，诊断根本不起作用。A<0.5与实际情况不符。一般来说，0.5＜a≤0.7为低诊断值；0.7＜a≤0.9为中诊断值；a＞0.9为高诊断值。
为什么ROC曲线能衡量模型效果呢？
实现思路如下：AUC（曲线下面积）定义为ROC曲线下的面积。显然，这个面积的值不会大于1。因为ROC曲线通常在y=x线上，AUC在0.5到1之间。由于ROC曲线不能清楚地反映出哪种分类器更好，因此采用AUC值作为评价标准。作为一个数值，AUC越大的分类器效果越好。首先，AUC值是一个概率值。当随机选择正样本和负样本时，当前分类算法根据计算出的得分值将正样本排在负样本前面的概率为AUC值。当然，AUC值越大，当前的分类算法将正样本排在负样本前面的可能性就越大，也就是说，它可以更好地分类。
如何用excel计算auc曲线下面积？
1. 工业中的大型模型基本上都是logistic区域和线性区域，因此SGD和lbfgs的理解是非常重要的，并行推导对于理解LR是如何并行的是非常重要的
2。其次，常用的机器学习算法，如SVM、gbdt、KNN等，应该了解其原理，能够在压力下快速响应。算法的优缺点和适应场景应基本清晰
3基本算法数据结构应熟练，链表二叉树，快速行合并，动态返回等
ROC曲线下的区域-spssau ROC曲线称为AUC，这表明了预测的准确性。AUC值越高，预测精度越高。AUC值越高，预测精度越低。如果AUC小于0.5，说明预测性诊断比随机猜测更差。这种情况不应该发生在实际情况中。可能是状态变量标准集错了。建议检查设置。
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
