接受者操作特征曲线ROC
接受者操作特征曲线
编辑 讨论 上传视频
同义词 ROC曲线一般指接受者操作特征曲线
本词条由“科普中国”科学百科词条编写与应用工作项目 审核 。
接受者操作特性曲线是指在特定刺激条件下,以被试在不同判断标准下所得的虚报概率P(y/N)为横坐标,以击中概率P(y/SN)为纵坐标,画得的各点的连线。
中文名
接受者操作特性曲线
外文名
receiver operating characteristic curve
又 称
感受性曲线
简 称
ROC曲线
学 科
数学
目录
- 1 ROC曲线简介
- 2 ROC曲线的绘制
- 3 ROC曲线的特性
ROC曲线简介
编辑
接受者操作特性曲线(receiver operating characteristic curve,简称ROC曲线),又称为感受性曲线(sensitivity curve)。得此名的原因在于曲线上各点反映着相同的感受性,它们都是对同一信号刺激的反应,只不过是在几种不同的判定标准下所得的结果而已。接受者操作特性曲线就是以虚惊概率为横轴,击中概率为纵轴所组成的坐标图,和被试在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线 [1] 。
ROC曲线的绘制
编辑
ROC曲线的具体绘制实例:杨治良(1983)曾做过这样一个实验:选图画页500页,分成五个组,每组100张。五组画页的先定概率分别是0.1、0.3、0.5、0.7和0.9。对于每一组画页,主试者使用一种信号的先定概率,然后按此先定概率呈现给被试者一定数量的画页,要求被试者把它们当做”信号”记住。例如,先定概率为0.1时,则当作”信号”的画页为10张;当做”噪音”的画页为90张。作为信号的画页呈现完毕之后,与此组作为噪音的画页混合,然后随机地逐张呈现给被试。这时,每呈现一张画页,即要求被试判断此画页是”信号”还是”噪音”,并要求被试把结果记录在实验纸上 [1] 。
根据五种先定概率得到的实验结果,就可计算击中概率和虚惊概率。最后,根据不同先定概率下的击中概率和虚惊概率,就可在图上确定各点的位置,把五点联接起来就绘成一条 ROC曲线。
ROC曲线示例 [1]
ROC曲线的特性
编辑
(1)β值的改变独立于d’的变化,考察β值变化对P(y/SN)和P(y/N)的影响时发现:当β接近0时,击中概率几乎为0,即信号全当成噪音接受;当β接近无穷大时,虚惊概率几乎为0,即噪音全当成信号接受;而当β从接近0向无穷大渐变的过程中,将形成一条完整地ROC曲线,曲线在某一处达到最佳的标准βOPT [2] 。
(2)ROC曲线的曲率反应敏感性指标d’:对角线,代表P(y/SN)=P(y/N),即被试者的辨别力d’为0,ROC曲线离这条线愈远,表示被试者辨别力愈强,d’的值当然就愈大。由上可知,d’的变化使ROC曲线形成一个曲线簇,而β的变化体现·在这一曲线簇中的某一条曲线上不同点的变化。此外,如果将ROC曲线的坐标轴变为Z分数坐标,我们将看到ROC曲线从曲线形态变为直线形态。这种坐标变换可以用来验证信号检测论一个重要假设,即方差齐性假设。
(3)补充特性:
对于一条特定的ROC曲线来说,d’是恒定的,所以也叫等感受性曲线。
对角线代表辨别力等于0的一条线,也叫纯机遇线。
ROC曲线离纯机遇线越远,表明被试的辨别力越强。
辨别力不同的被试的ROC曲线也不同。
参考资料
- 1. 郭秀艳&杨治良.实验心理学:人民教育出版社,2004:292-295
- 2. 郭秀艳.实验心理学:人民卫生出版社,2013
https://baike.baidu.com/item/%E6%8E%A5%E5%8F%97%E8%80%85%E6%93%8D%E4%BD%9C%E7%89%B9%E5%BE%81%E6%9B%B2%E7%BA%BF/2075302?fromtitle=ROC%E6%9B%B2%E7%BA%BF&fromid=775606&fr=aladdin
接受者操作特征曲线ROC相关推荐
- 机器学习教程 之 模型性能评价:受试者工作特征曲线 ROC与AUC
模型性能评价是每一位机器学习工作者都需要掌握的一项技能,除了最常见的损失函数比较,今天再向大家介绍一种稍微高明一点儿的方法 ROC与AUC 在正式介绍ROC曲线之前,我们还需要介绍一些额外的知识:分类 ...
- auc计算公式_图解机器学习的准确率、精准率、召回率、F1、ROC曲线、AUC曲线
机器学习模型需要有量化的评估指标来评估哪些模型的效果更好. 本文将用通俗易懂的方式讲解分类问题的混淆矩阵和各种评估指标的计算公式.将要给大家介绍的评估指标有:准确率.精准率.召回率.F1.ROC曲线. ...
- 预测 lncRNA-disease 关联的相关方法综述
这次分享一篇综述: http://www.lunwenstudy.com/yxyichuan/141419.html 0.摘 要 lncRNAs (long noncoding RNAs) 是一类长度 ...
- 原理详解AUC、ROC和average precision (AP)以及sklearn实战
文章目录 前言 TPR,FPR ROC AUC 实战 鸣谢 average precision (AP) 实战 前言 开门见山,想要知道AUC必须知道ROC,想要知道ROC必须知道TPR,FPR, 完 ...
- 分类器评价与在R中的实现:ROC图与AUC
分类模型评价一般有以下几种方法:混淆矩阵(Confusion Matrix).收益图(Gain Chart).提升图(Lift Chart).KS图(KS Chart).接受者操作特性曲线(ROC C ...
- Weka学习五(ROC简介)
今天我们来介绍一下ROC(Receiver operating characteristics)国内复旦张文彤老师在<SPSS统计分析基础教材>中将其翻译成"受试者工作特征&qu ...
- 精确率、召回率、F1 值、ROC、AUC
首先我们来思考一个问题,如何评估一个机器学习模型效果的好坏呢? 1.性能度量 机器学习首先要建模,对于模型性能的好坏(即模型的泛化能力),我们必须有个评判的标准.为了了解模型的泛化能力,我们需要用某个 ...
- ROC/AUC、精准率、召回率、真正率,假正率等指标含义,学习笔记
1. 混淆矩阵 对于二分类模型,预测值与真实值的组合情况,行成了混淆矩阵. 第一个字母表示是否预测正确(T/F),第二个表示预测为 P/1 还是 N/0. 2. 准确率 预测正确的结果占总样本的百分比 ...
- 准确率,召回率,mAP,ROC,AUC,特异性,敏感性,假阴性,假阳性
P/R和ROC是两个不同的评价指标和计算方式,一般情况下,检索用准确率.召回率.F1.AP和mAP,分类.识别等用ROC和AUC(特异性和敏感性是ROC当中的一个部分). 准确率.召回率.F1.AP和 ...
最新文章
- 深度学习概述:NLP vs CNN
- python分布式日志收集系统_Go实现海量日志收集系统(一)
- NavicatPremium连接MySQL出现异常Authentication plugin ‘caching_sha2_password‘ cannot be loaded的解决方案
- Spring Security——获取当前已登录用户UserDetails对象
- iOS 远程通知(Remote Notification)和本地通知(Local Notification)
- JAVA程序设计----关于字符串的一些基本问题处理
- 最大尺寸分辨率_未来就在眼前——视涯科技推出最高分辨率硅基OLED显示屏幕...
- arcgis 分区 属性值_ArcGIS制图之Maplex自动点抽稀
- C语言课后习题(44)
- 关于Tomcat导致工程部分功能代码异常的问题
- Android开发过程为C文件或者C++文件配置打印Logcat信息
- 卡巴斯基安全部队2013中文免费版【可免费使用一个月】
- MATLAB中有关矩阵特征值和特征向量的计算
- 关于使用手机电池替换3节干电池的尝试
- osrmt(开源的需求管理工具)的截图
- 思科光传输功率查询_各厂家查收发光功率命令整理
- 20181021模拟赛(暴力+暴力+优先队列二分)
- csv文件日期正确如何显示yyyy-mm-dd
- 服务器显示文件后缀名,获取文件后缀名
- 秒杀数字后端实现中clock gating使能端setup violation问题
热门文章
- 我的世界java下载1.13_Minecraft Java版 1.13.1-pre2 发布
- 湖南工大计算机专业咋样,西北工业大学还是湖南大学计算机
- linux按时间排序并查看发现,linux下扫描文件并按时间排序
- cmd指令卸载java_.net 服务 安装 卸载 命令行 bat cmd
- echarts导入mysql数据库_Echarts最新:Django中从mysql数据库中获取数据传到echarts方式_爱安网 LoveAn.com...
- word邮件合并一页8个_利用word邮件合并批量制作准考证
- android button 添加事件_2019最新Android常用开源库总结
- 用指针和函数的方法完成两个数的交换
- vs code中文乱码解决方法
- 使用指针字符串查找字串的个数