二分类中柯尔莫哥洛夫-斯米尔诺夫与ROC曲线度量的等价性
人工智能
2016-06-03 v1 计算机视觉与模式识别
摘要
二分类决策在人工智能中非常常见。对连续得分施加阈值使人类决策者能够控制工作点以分离两个类别。分类器的判别能力在得分的连续范围内由ROC曲线下面积（AUC_ROC）来衡量。大多数应用领域都使用AUC_ROC，只有金融领域使用单一劣化点度量——最大柯尔莫哥洛夫-斯米尔诺夫（KS）距离。本文提出KS曲线下面积（AUC_KS）用于性能评估，并证明AUC_ROC = 0.5 + AUC_KS，作为计算AUC_ROC的更简便方法。这对于分类器集成或n折交叉验证中的ROC平均尤为重要。该证明在几何上受启发于将所有KS曲线旋转使其位于ROC随机对角线的上方。在实际方面，KS曲线横坐标上的自变量简化了AUC_ROC的计算。在理论方面，本研究揭示了分类器评估的概率解释，并将已有的信息论ROC方法体系与基于熟知的KS分布的统计方法相结合。
引用
@article{arxiv.1606.00496,
title = {On the equivalence between Kolmogorov-Smirnov and ROC curve metrics for binary classification},
author = {Paulo J. L. Adeodato and Sílvio B. Melo},
journal= {arXiv preprint arXiv:1606.00496},
year = {2016}
}
备注
5 pages, 5 figures