第二章 模型評估與選擇
       現實任務中通常是利用有限個測試樣例來繪制ROC圖，此時僅能獲得有限個（真正例率，假正例率）坐標對，無法產生圖2.4(a)中的光滑ROC曲線，只能基于有限個測試樣例篆繪制出如圖2.4(b)所示的近似ROC曲線．繪圖過程很簡單：給定m+個正例和制P-R圖時有同樣問題本書到這里才介紹近似曲  m一個反例，根據學習器預測結果對樣例進行排序，然后把分類閾值設為最大，線的繪制．是為了便于下  即把所有樣例均預測為反例，此時真正例率和假正例率均為0，在坐標(0，0)處面介紹AUC的計算，標記一個點．然后，將分類閾值依次設為每個樣例的預測值，即依次將每個樣例劃分為正例．設前一個標記點坐標為(z，可)，當前若為真正例，則對應標記點的坐標為（z，可十嘉）；當前若為假正例，則對應標記點的坐標為(茁+ml-，可)，然后用線段連接相鄰點即得，進行學習器的比較時，與P-R圖相似，若一個學習器的ROC曲線被另一個學習器的曲線完全“包住”，則可斷言后者的性能優于前者；若兩個學習器的ROC曲線發生交叉，則難以一般性地斷言兩者孰優孰劣．此時如果一定要進行比較，則較為合理的判據是比較ROC曲線下的面積，即AUC (Area UnderROC Curve)，如圖2.4所示．從定義可知，AUC可通過對ROC曲線下各部分的面積求和而得．假定ROC曲線是由坐標為{(Xl，可1)，(X2，Y2)，…，(Xm，Ym)]．的點按序連接而形成(Xl=0，Xm=1)。