一种用于训练卷积神经网络的改进 AUC：考虑置信度
机器学习
2021-09-14 v2 机器学习
摘要
受试者工作特征（ROC）曲线是二分类中一种信息丰富的工具，而 ROC 曲线下面积（AUC）是报告二分类器性能的常用指标。本文中，我们首先对 ROC 曲线和 AUC 指标进行了全面综述。接下来，我们提出了一种考虑模型置信度的改进版 AUC，同时将 AUC 融入用于训练卷积神经网络进行分类任务的二元交叉熵（BCE）损失中。我们在三个数据集上展示了这一点：MNIST、前列腺 MRI 和脑 MRI。此外，我们发布了 GenuineAI，一个全新的 Python 库，提供了常规 AUC 和所提改进 AUC 的函数，以及 ROC 曲线每一点上的灵敏度、特异度、召回率、精确率和 F1 等指标。
引用
@article{arxiv.2006.04836,
title = {A Modified AUC for Training Convolutional Neural Networks: Taking Confidence into Account},
author = {Khashayar Namdar and Masoom A. Haider and Farzad Khalvati},
journal= {arXiv preprint arXiv:2006.04836},
year = {2021}
}