注：35岁成功转型人工智能行业，欢迎有志于机器学习、人工智能领域的人士关注交流

1、前言：

ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。

2、ROC曲线定义：

ROC(Receiver Operating Characteristic)曲线，又称接受者操作特征曲线。该曲线最早应用于雷达信号检测领域，用于区分信号与噪声。后来人们将其用于评价模型的预测能力，ROC曲线是基于混淆矩阵得出的。

ROC曲线中的主要两个指标就是真正率和假正率，上面也解释了这么选择的好处所在。其中横坐标为假正率（FPR），纵坐标为真正率（TPR），下面就是一个标准的ROC曲线图。

标准的ROC曲线

3、为什么要使用ROC曲线：

1）对类别不平衡不敏感

2) 适用于评估分类器的整体性能

3) 不会随着样本中的正负样本比例变化而产生明显变化

4、面试现场如何手画ROC曲线：

例子：请根据下表数据画出ROC曲线

步骤一：按照预测概率值降序排列；

步骤二：阈值选择：选取预测概率某一值为阈值，大于或等于阈值的样本预测为1，其他预测为0，并计算其真正率（tpr）和假正率（fpr）,由此可以得到ROC曲线上的一个点。

步骤三：重复步骤二10次，得到10个点，连接并可得到ROC曲线。