3 召回率 定义表示真实为真roc和auc的区别的样本中roc和auc的区别，被正确预测为真的样本比例 公式Recall = TP roc和auc的区别，其中FN为假阴性 作用评估模型在识别正样本时的完整性4 ROC曲线 定义通过真阳性率与假阳性率绘制的曲线 作用展示模型在不同阈值下的分类性能，用于比较不同模型的分类能力5 AUC值 定义。
机器学习模型预测时，评估模型性能的关键指标包括AUCROC和FROC这些指标通过TP真正例FP假正例TN真负例和FN假负例来衡量ROC曲线，全称接收者操作特征曲线，是通过假阳性率FPR与真阳性率TPR的比值绘制的，X轴表示FPR，Y轴表示TPR当模型改变预测阈值时，每个阈值对应。
如何画ROC曲线 通过计算不同阈值下的TPR和FPR，可以绘制ROC曲线具体步骤包括1 对预测概率排序2 遍历排序后的预测概率值作为阈值，计算TPR和FPR3 将TPR和FPR点绘制在坐标图上，连接这些点形成ROC曲线AUC计算 AUC的计算可以采用以下方法1 **直接计算法**统计所有正负样本对中正样本。
ROC曲线和AUC值是评估分类模型性能的重要工具ROC曲线，又称接收者操作特征曲线，它通过比较预测的真阳性率敏感度和假阳性率虚惊概率来展示模型在不同判定标准下的性能这条曲线表示模型在不同阈值下的判断能力，离纯机遇线预测无区分力越远，模型性能越好AUC值，即曲线下面积，范围在0。
计算公式为FPR = FP TPR实际类别为阳性的样本中被预测为阳性的情况，计算公式为TPR = TP AUC定义AUC是ROC曲线与横坐标所夹的面积，用于评估模型在不同阈值下的性能意义AUC值越大，表示模型在不同阈值下的性能越好，即模型能够更好地区分正负样本。
AUCArea Under the Curve值是ROC曲线下的面积，用于衡量分类器的性能AUC值越接近1，表示分类器性能越好，而接近0则表示分类器性能较差完美分类器的AUC值为1，随机分类器的AUC值为05在实际应用中，roc_auc_score和roc_curve是sklearnmetrics库中的两个关键函数roc_curve函数用于计算ROC。
混淆矩阵展示roc和auc的区别了预测结果与实际结果的对比，有助于清晰地理解各种预测情况的正确性在样本不平衡时，准确率可能失真，因此精准率和召回率的引入旨在更全面地评估模型性能F1分数综合考虑roc和auc的区别了精准率和召回率，寻找二者之间的平衡ROC曲线和AUC指标进一步提升了评估性能度量的灵活性ROC曲线基于真正率和假正率。
