Image processing ROC曲线交叉验证
如何为交叉验证生成ROC曲线 对于单个测试,我认为我应该对SVM的分类分数设置阈值,以生成ROC曲线Image processing ROC曲线交叉验证,image-processing,machine-learning,computer-vision,pattern-recognition,Image Processing,Machine Learning,Computer Vision,Pattern Recognition,如何为交叉验证生成ROC曲线 对于单个测试,我认为我应该对SVM的分类分数设置阈值,以生成ROC曲线 但我不清楚如何为交叉验证生成它?在一轮完整的交叉验证后,所有观察结果都被分类一次(尽管是通过不同的模型),并给出了属于感兴趣类别的估计概率,或类似的统计数据。这些概率可用于生成ROC曲线,其方式与外部测试集上获得的概率完全相同。当您将分类阈值从0更改为1时,只需计算分类错误率,并且您的分类阈值已全部设置 但是,通常您希望执行多轮交叉验证,因为性能取决于折叠的划分方式。我不清楚如何计算所有轮的平均
但我不清楚如何为交叉验证生成它?在一轮完整的交叉验证后,所有观察结果都被分类一次(尽管是通过不同的模型),并给出了属于感兴趣类别的估计概率,或类似的统计数据。这些概率可用于生成ROC曲线,其方式与外部测试集上获得的概率完全相同。当您将分类阈值从0更改为1时,只需计算分类错误率,并且您的分类阈值已全部设置
但是,通常您希望执行多轮交叉验证,因为性能取决于折叠的划分方式。我不清楚如何计算所有轮的平均ROC曲线。我建议绘制所有曲线并计算平均AUC。作为Backlin的后续: 对于不同的k-折叠或遗漏n-交叉验证,结果的变化表明了模型的不稳定性。这是有价值的信息
- 当然,您可以将结果汇集在一起,只生成一个ROC
- 但您也可以绘制曲线集
参见例如R包 - 或者计算不同阈值下的中值和IQR,并构建一个描述这些变化的频带。
下面是一个例子:阴影区域是在8倍交叉验证的125次迭代中观察到的四分位范围。薄黑色区域包含一个特定阈值观察到的特异性-敏感性对的一半,中位数用x标记(忽略+标记)。