$$
\mathrm { P r e c i s i o n } = { \frac { T P } { T P + F P } } = { \frac { 9 } { 9 + 3 } } = 0 . 7 5
$$
$$
\mathrm { R e c a l l } = { \frac { T P } { T P + F N } } = { \frac { 9 } { 9 + 2 } } = 0 . 8 2
$$
我们可能无法事先得知最合适的分类阈值，合理的做法是尝试使用许多不同的分类阈值来评估我们的模型。另外，有一个指标可以衡量模型在所有可能的分类阈值下的效果。该指标称为ROC曲线，即“接收者操作特征曲线”。
9.4.5 ROC 曲线
ROC曲线（接收者操作特征曲线）是一种显示分类模型在所有分类阈值下的效果的图表。该曲线绘制了以下两个参数：
●真正例率。
●假正例率。
真正例率（TPR）是召回率的同义词，因此定义如下：
$$
T P R = \frac { T P } { T P + F N }
$$
TRP也叫灵敏度，表示所有正例中被分对的比例，衡量了分类器对正例的识别能力。假正例率（FPR）的定义如下：
$$
F P R = { \frac { F P } { F P + T N } }
$$
假正例率计算的是分类器错认为正类的负实例占所有负实例的比例。
ROC曲线由两个变量绘制。横坐标是假正例率，纵坐标是真正例率。ROC曲线用于绘制采用不同分类阈值时的真正例率与假正例率。具体做法是:我们对每个可能的分类阈值进行评估，并观察相应阈值下的真正例率和假正例率。然后绘制一条曲线将这些点连接起来。图9-22显示了一个典型的ROC曲线。
人工智能与大数据技术导论
284