如何用Python绘制二分类和多分类长尾词的ROC曲线？

本文共计1462个文字，预计阅读时间需要6分钟。

基本概念 + precision：预测为对的中的，实际为对的的样本比例（越大越好，1为理想状态）recall：实际为对的中的，预测为对的的样本比例（越大越好，1为理想状态）F-measure：F度量是精确率和召回率的调和平均数

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。这意味着图的左上角是“理想”点 - 误报率为零，真正的正率为1。这不太现实，但它确实意味着曲线下面积（AUC）通常更好。