ROC曲线

组件介绍

**“ROC曲线”（ROC Analysis）**控件展示测试模型和相应凸包的ROC 曲线。

ROC曲线用作分类模型之间的比较的平均值。该曲线在x轴上绘制假阳率与 y 轴上的真阳率。曲线越接近 ROC 空间的左侧边界和顶部边界，分类器越精确。ROC曲线还可以在一定误差下确定最优分类器和阈值。

---

• 输入：
  • evr：分类器对数据的测试结果
• 输出：
  • 无

---

页面介绍

点击**“ROC曲线”（ROC Analysis）**控件查看参数配置页面，如下图所示：

点击**“查看结果”**按钮，查看曲线：

参数选项

选项	说明	取值范围	样例值
目标类	离散目标属性的取值	离散目标属性的取值	默认选中的值是离散目标属性取值的第一个
分类器	要评估的数据挖掘模型，选择后系统会绘制对应的ROC曲线	要评估的数据挖掘模型，支持多选
合并ROC曲线	当数据来自多次迭代的训练或测试（如 k-fold 交叉验证）时，可以显示平均结果。其中平均选项包括：   根据折数合并预测：将所有测试数据视为单次迭代结果   平均真阳率：垂直平均曲线，显示相应的置信区间   平均真阳率和假阳率阈值：遍历阈值，平均曲线的位置并显示水平和垂直置信区间   显示单独曲线：显示所有曲线，而不计算平均值	根据折数合并预测 平均真阳率 平均真阳率和假阳率阈值 显示单独曲线	根据折数合并预测
ROC凸包	“显示凸曲线”选项是指显示每个单独分类器上的凸曲线 “显示凸包”选项显示结合了所有分类器的凸包	勾选/不勾选	不勾选
分析	此部分用于分析曲线，用户可以指定假阳性（FP）和假阴性（FN）的比重以及目标类别概率 默认阈值（0.5）表示如果预测目标等级的概率大于等于 0.5，则由分类器实现ROC曲线上的点 显示性能曲线在 ROC 空间中显示出 iso 性能，因此该线上的所有点都会带来相同的利润/损失	假阳性代价：11000 假阴性代价：11000 目标类先验概率：0.01~0.99	假阳性代价：500 假阴性代价：500 目标类先验概率：0.5

使用案例

在下图所示的案例中，使用**“加载文件”（File）控件加载数据，使用“K近邻”（KNN）、“决策树”（Tree）等模型在“评分和测试”（Test & Score）控件中进行测试和评估，最后将评估结果在“ROC曲线”（ROC Analysis）**控件中进行展示。

案例中加载 voting 数据集，针对**“K近邻”（KNN）、“决策树”（Tree）算法进行模型测试和评估，“评分和测试”（Test & Score）显示每个分类器的评估结果。然后根据“评分和测试”（Test & Score）**的结果ROC曲线。案例中控件的配置以及执行结果如下图所示。