本文记录了评估分类模型性能的常用指标ACC、AUC、ROC曲线的计算方法和代码。代码使用python实现。

简介

ACC（Accuracy）是模型的准确率，即模型正确预测的样本数占总样本数的比例。ACC 可以用来评估模型在整体上的分类效果，但它不能很好地反映模型在不同类别上的表现差异。

AUC（Area Under the Curve）是 ROC 曲线下的面积，可以用来评估模型在不同阈值下的分类效果。AUC 的取值范围在 0.5 到 1 之间，值越大表示模型性能越好。当 AUC = 0.5 时，表示模型预测效果与随机猜测一样；当 AUC = 1 时，表示模型完全正确地区分了正负样本。

ROC（Receiver Operating Characteristic）曲线是一种常用的评估分类模型性能的工具。ROC 曲线的横轴表示假正例率（False Positive Rate），即负样本被错误地预测为正样本的比例；纵轴表示真正例率（True Positive Rate），即正样本被正确地预测为正样本的比例。ROC 曲线越接近左上角，表示模型性能越好；曲线越接近对角线，则表示模型性能越差。

总之，ACC、AUC 和 ROC 都是用于评估分类模型性能的指标，不同的指标可以从不同的角度来评估模型的性能，使用时需要根据具体的问题和需求进行选择。

---