2.7 ROC曲线相比P-R曲线有什么特点？

前情提要：

P-R曲线详见：2.2 什么是精确率（Precision）与召回率（Recall）？二者如何权衡？）

2.4 ROC曲线是什么？

2.5 如何绘制ROC曲线？

2.6 如何计算AUC？

P-R曲线和ROC曲线同样被经常用来评估分类和排序模型。

相比P-R曲线，ROC曲线有一个特点，当正负样本的分布发生变化时，

• ROC曲线的形状能够基本保持不变

• 而P-R 曲线的形状一般会发生较剧烈的变化。

举例来说，图2.3是ROC曲线和P-R曲线的对比图，

• 其中图2.3(a)和图2.3( c )是ROC曲线，
• 图2.3(b)和图2.3(d)是P-R 曲线，
• 图2.3( c )和图2.3(d)则是将测试集中的负样本数量增加10倍后的曲线图。

​ 可以看出，P-R曲线发生了明显的变化，而ROC曲线形状基本不变。这个特点让ROC 曲线能够尽量降低不同测试集带来的干扰，更加客观地衡量模型本身的性能。

这有什么实际意义呢?

​ 在很多实际问题中，正负样本数量往往很不均衡。比如，计算广告领域经常涉及转化率模型，正样本的数量往往是负样本数量的1/1000甚至1/10000。若选择不同的测试集，P-R 曲线的变化就会非常大，而ROC曲线则能够更加稳定地反映模型本身的好坏。所以，ROC 曲线的适用场景更多，被广泛用于排序、推荐、广告等领域。

​ 但需要注意的是，选择P-R 曲线还是ROC 曲线是因实际问题而异的，如果研究者希望更多地看到模型在特定数据集上的表现，P-R 曲线则能够更直观地反映其性能。

参考文献：

《百面机器学习》 诸葛越主编

出版社：人民邮电出版社（北京）

ISBN：978-7-115-48736-0

2022年8月第1版（2022年1月北京第19次印刷）