技术笔记：走向代价空间中的 ROC 曲线
人工智能
2011-08-01 v1
摘要
ROC 曲线和代价曲线是可视化分类器性能、根据操作条件找到合适阈值以及推导有用聚合度量（如 ROC 曲线下面积 (AUC) 或最优代价曲线下面积）的两种流行方法。在这篇笔记中，我们通过使用操作条件范围内的期望损失，展示了 ROC 空间与代价空间之间的一些新发现和联系。特别地，我们表明，通过一种非常自然的方式来理解如何选择阈值——即选择使得正预测比例等于操作条件（以代价比例或偏斜的形式）的阈值——可以将 ROC 曲线转移到代价空间。我们将这些新曲线称为 {ROC 代价曲线}，并证明这些曲线下面积所度量的期望损失与 AUC 呈线性关系。这开启了一系列新的可能性，并澄清了代价曲线的概念及其与 ROC 分析的关系。此外，我们表明，对于以均匀间隔方式分配分数的分类器，这些曲线等于 Brier 曲线。因此，这建立了 AUC 与 Brier 分数之间的第一个清晰联系。
引用
@article{arxiv.1107.5930,
title = {Technical Note: Towards ROC Curves in Cost Space},
author = {José Hernández-Orallo and Peter Flach and Cèsar Ferri},
journal= {arXiv preprint arXiv:1107.5930},
year = {2011}
}