放荡的人生|分类器性能评判标准（Recall、P-R、F1、ROC等）你是否真的懂了？( 三 ) 在机器学习算法中

那么如何绘制ROC曲线呢？这里也需要我们通过阈值来绘制（与之前一样，遍历所有阈值来绘制整条曲线的）。当改变阈值时，那么预测出正样本和负样本的数目也随之变化，如下图：
7AUC值AUC(AreaUnderCurve)指的是ROC曲线下的面积大小，该值能够量化地反映基于ROC曲线衡量出的模型性能。计算AUC值只需要沿着ROC横轴做积分就可以了。由于ROC曲线一般都处于y=x这条直线的上方（如果不是的话，只要把模型预测的概率反转成1?p就可以得到一个更好的分类器），所以AUC的取值一般在0.5～1之间。 AUC越大，说明分类器越可能把真正的正样本排在前面，分类性能越好。具体计算方法可参考文献[3] 。
8混淆矩阵混淆矩阵（ConfusionMatrix）也称错误矩阵，通过它可以直观地观察到算法的效果。它的每一列是样本的预测分类，每一行是样本的真实分类（反过来也可以），顾名思义，它反映了分类结果的混淆程度。混淆矩阵i行j列的原始是原本是类别i却被分为类别j的样本个数，计算完之后还可以对之进行可视化，可看看文献[2]中的混淆矩阵图片演示：
估算模型全局性能的方法有两种：宏平均（macro-average）和微平均（micro-average）。综合来看宏平均会比微平均更可靠一些，因为微平均受稀有类别影响更大。宏平均平等对待每一个类别，所以它的值主要受到稀有类别的影响，而微平均平等考虑数据集中的每一个样本，所以它的值受到常见类别的影响比较大。