技术

Laravel 关联模型由于名称一致性导致的问题 Laravel 核心：控制反转（Inversion of Control）和门面模式（Facade） 回退Mac上用Brew安装的PHP版本 为PHP设置服务器(Apache/Nginx)环境变量 PHP中的魔术方法和魔术常量简介和使用 ROC曲线 设计模式详解及PHP实现 MySQL大量数据插入各种方法性能分析与比较 Laravel中使用Redis作为队列系统的工作流程 使用Supervisor来管理你的Laravel队列 在Laravel中使用自己的类库三种方式 用Laravel+Grunt+Bower管理你的应用 从运行原理及使用场景看Apache和Nginx 了解GitHub工作流【译】 PHP Socket的使用 Apache 日志文件格式及简单处理 Python脚本--下载合并SAE日志 PHP命名空间及自动加载 基于CSS3实现尖角面包屑 部署Ceilometer到已有环境中 OpenStack Ceilometer Collector代码解读 OpenStack Ceilometer数据存储与API源码解析 OpenStack Ceilometer中的Pipeline机制 OpenStack Ceilometer Compute Agent源码解读 学习Python动态扩展包stevedore 学习Python的ABC模块 Python包管理工具setuptools详解 OpenStack Horizon 中文本地化 WSGI学习 在虚拟机单机部署OpenStack Grizzly 学习使用python打包工具distutils python包工具之间的关系 给OpenStack创建Ubuntu镜像 OpenStack Grizzly Multihost部署文档 为什么使用pip而不是easy_install HTML中meta标签viewpoint的作用 交互式编程-IPython 页面提速之——数据缓存 给OpenStack创建Win7镜像 Ceilometer的命令行使用 部署一个ceilometer-horizon项目 给OpenStack创建Windows XP镜像 几种企业的存储系统 概念模型、逻辑模型、物理模型的区别 五中常见的开源协议整理(BSD,Apache,GPL,LGPL,MIT) OpenStack监控项目Ceilometer的一些术语 VNC和远程桌面的区别 OpenStack Ceilometer项目简介 虚拟化与云计算中KVM,Xen,Qemu的区别和联系 调试和修改OpenStack中的Horizon部分 JavaScript变量作用域 kanyun worker原理 kanyun server服务 在OpenStack中部署kanyun kanyun的api-client命令 sae下的python开发部署和一个简单例子 OpenStack Nova内部机制【译】 PHP可变变量 JS中防止浏览器屏蔽window.open PHP操作Session的原理及提升安全性时的一个问题

标签

PHP 17

JavaScript 3

OpenStack 21

Windows 2

Linux 6

Python 11

MySQL 4

Git 5

Virtualization 2

Sublime 1

SVN 2

Jekyll 3

Blog 3

GitHub 1

Bootstrap 1

Concept 4

HTML 2

Mac 6

MongoDB 2

Essay 4

Tool 2

CSS 1

jQuery 1

Shell 1

Apache 3

Nginx 2

Laravel 6

Docker 1

Vagrant 1

Pattern 1


ROC曲线

2014年04月23日

[目录]

最近在读的几篇论文中都使用ROC曲线来分析算法的好坏，这里总结一下这个曲线的一些名词和用法。我这里只列举一些很简单的内容，想要掌握详细的用法请移步参考中维基百科链接，那里讲解非常详细。

ROC曲线

在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种座标图式的分析工具，用于：

  • 选择最佳的信号侦测模型、舍弃次佳的模型。
  • 在同一模型中设定最佳阈值。

在做决策时，ROC分析能不受成本／效益的影响，给出客观中立的建议。

名词

  • True Positive （真正, TP）被模型预测为正的正样本；可以称作判断为真的正确率
  • True Negative（真负 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率
  • False Positive （假正, FP）被模型预测为正的负样本；可以称作误报率
  • False Negative（假负 , FN）被模型预测为负的正样本；可以称作漏报率
  • True Positive Rate（真正率 , TPR）或灵敏度（sensitivity），TPR = TP /（TP + FN），正样本预测结果数 / 正样本实际数
  • True Negative Rate（真负率 , TNR）或特指度（specificity），TNR = TN /（TN + FP），负样本预测结果数 / 负样本实际数
  • False Positive Rate （假正率, FPR），FPR = FP /（FP + TN），被预测为正的负样本结果数 /负样本实际数
  • False Negative Rate（假负率 , FNR），FNR = FN /（TP + FN），被预测为负的正样本结果数 / 正样本实际数

参考

  1. Wikipedia: ROC曲线