ROC曲线与AUC计算器 - 二分类模型评估

受试者工作特征（ROC）曲线是一种图形化工具，用于评估二分类模型在所有可能决策阈值下的区分能力。它会随着决策阈值从高到低变化，将纵轴上的真阳性率（TPR，即灵敏度）与横轴上的假阳性率（FPR，即1 − 特异度）进行绘制。 灵敏度（TPR）表示被正确识别出的真实阳性所占比例：TPR = TP / (TP + FN)。特异度表示被正确识别出的真实阴性所占比例：Specificity = TN / (TN + FP)。FPR = 1 − Specificity = FP / (TN + FP)。理想分类器会经过左上角（FPR = 0，TPR = 1），而随机分类器的ROC曲线则位于从（0,0）到（1,1）的对角线上。 ROC曲线下面积（AUC）用一个标量概括整体分类性能。AUC为1.0表示完美区分；0.5表示没有区分能力（相当于随机猜测）。通常，AUC ≥ 0.9 为极佳，0.8–0.9 为良好，0.7–0.8 为一般，低于0.7 为较差。 此计算器使用梯形法则计算AUC，即对阶梯状ROC曲线下的面积进行积分。它还使用 Youden’s J 统计量（J = sensitivity + specificity − 1）寻找最佳决策阈值，以最大化灵敏度与特异度之和，并提供一个更平衡的工作点。 ROC曲线和AUC是医学诊断（二分类器区分患病与健康患者）、机器学习（二分类模型评估）以及信用评分中的标准评估指标。与准确率不同，AUC对类别不平衡不敏感，因此在正类样本稀少时尤其有价值。 此工具接受任意分数-标签对列表。分数可以是概率、logit值或任何连续排序分数。标签必须是0（负类）或1（正类）。结果表会显示所有ROC操作点，并高亮最佳阈值所在行，便于快速查看。