У вас есть модель, которая классифицирует вещи как принадлежащие либо к классу 1 (мы назовем эти положительные стороны),
либо к классу 0 (назовем их отрицательными).
Таким образом, каждая точка данных принадлежит к одному из четырех классов:
Истинные плюсы: предсказанный класс 1, действительно относится к классу 1
Истинные отрицания: предсказанный класс 0, действительно принадлежит классу 0
Ложные срабатывания: предсказанный класс 1, действительно принадлежит классу 0
Ложноотрицательные результаты: предсказанный класс 0, действительно принадлежит классу 1
===================
Отзыв - это доля баллов, действительно принадлежащих классу 1, который модель спрогнозировала как класс 1, то есть
(истинные положительные результаты) / (истинные положительные результаты + ложно отрицательные).
========================
Точность - это отношение истинных положительных результатов к общему количеству предсказанных положительных результатов, то есть (истинные положительные результаты) / (истинные положительные результаты + ложные положительные результаты) или какой процент положительного класса вы предсказали правильно.
========================
Определение отзыва предполагает, что его можно было бы с полным основанием назвать (легче запомнить) «истинно положительным показателем». Тогда, аналогично, должна быть частота ложных срабатываний (определяемая как (ложные срабатывания) / (ложные срабатывания + истинные отрицательные результаты)).
=========================
Кривая ROC отображает процент истинных положительных результатов (по оси Y) против уровня ложных срабатываний (по оси X). (На самом деле, кривая ROC отображает кумулятивные функции распределения каждого из них, и именно так вы получаете кривую, а не просто точку.
Смотри также
Значение точности TP / TP + FP представляет собой одно число. Напомним, = TP / TP + FN также является одним числом. Что же тогда такое кривая точности-отзыва?