分类算法—ROC指标应用

目录

1、ROC曲线

2、如何画ROC曲线

3、为什么使用ROC曲线

4、信用评分的简单小结（ROC，IV，WOE）

5、KS

6、群体稳定指数（PSI）————模型的稳定性

准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure

1、ROC曲线

需要提前说明的是，我们这里只讨论二值分类器。对于分类器，或者说分类算法，评价指标主要有precision，recall，F-score，以及我们今天要讨论的ROC和AUC。下图是一个ROC曲线的示例。正如我们在这个ROC曲线的示例图中看到的那样，ROC曲线的横坐标为false positive rate（FPR），纵坐标为true positive rate（TPR）。下图中详细说明了FPR和TPR是如何定义的。（真阳性/假阳性=roc）（acu为roc曲线下的面积0.5到1）

下面考虑ROC曲线图中的虚线y=x上的点。这条对角线上的点其实表示的是一个采用随机猜测策略的分类器的结果，例如(0.5,0.5)，表示该分类器随机对于一半的样本猜测其为正样本，另外一半的样本为负样本。

ROC更好的参考