Мне кажется, вы несколько неправильно понимаете, что такое кривая ROC.
Кривая ROC отображает отношение TPR к FPR при изменении порога. В результате кривые ROC на самом деле представляют собой трехмерные графики, отображающие взаимосвязь между 3 переменными: FPR, TPR и порогом. Каждая точка на графике отражает фактические значения TPR и FPR для определенного порогового значения. Левый нижний угол графика всегда отражает порог 1, а правый верхний угол отражает порог 0.
Кривые ROC имеют два обычных использования: для сравнения двух разных моделей независимо от порога и для помощи в выборе правильного порога. «Правильный порог» для приложения прогнозной аналитики будет немного отличаться в зависимости от конкретной проблемы, которую вы атакуете, но в целом вы можете использовать кривую ROC, чтобы выбрать порог с приемлемым компромиссом между TPR / FPR для вашего конкретного приложения. . Редко бывает, что простой выбор порога для точки, ближайшей к верхнему левому углу, дает идеальный результат.
После того, как вы выберете порог, который кажется идеальным из кривой ROC, вы можете исследовать матрицу неточностей и другие метрики оценки (точность, отзыв, точность, F1 и т. Д.) Для дальнейшей оценки порога.
Отвечая на ваш прямой вопрос, вы правы в том, что кривые ROC напрямую не показывают FNR. В этом случае вы можете использовать график чувствительности / специфичности, который отображает отношение TPR к TNR аналогично кривой ROC. Я не знаю стандартного метода оценки, который бы напрямую смотрел на FNR. Вместо этого я обычно просто переключаю метки «положительный» и «отрицательный» в своих данных и заново строю кривую ROC. Это дает (эффективно) TNR против FNR.
person
Data Science Dojo
schedule
06.04.2016