Machine learning 如何切换ROC曲线以优化假阴性率？

ROC曲线绘制TPR与FPR，并根据训练集概率的等级顺序改变阈值。拾取的阈值是与左上角的点关联的概率。这基本上使TPR最大化，并使假阳性率最小化

---

然而，让我们假设我的应用程序谈论最小化假阴性率？那么这条曲线会怎样变化呢？两者之间的平衡如何

在我看来，你似乎有点误解了ROC曲线是什么

当阈值变化时，ROC曲线绘制TPR与FPR。因此，ROC曲线实际上是三维图形，绘制了三个变量之间的关系：FPR、TPR和阈值。图表上的每个点反映了特定阈值的实际TPR和FPR。图形的左下角始终反映阈值1，而右上角反映阈值0

ROC曲线有两种常用的用途：独立于阈值比较两种不同的模型，以及帮助选择合适的阈值。预测分析应用程序的“适当阈值”将根据您正在攻击的特定问题而有所不同，但一般来说，您可以使用ROC曲线为您的特定应用程序选择一个具有可接受TPR/FPR权衡的阈值。通常情况下，只需为最靠近左上角的点选取阈值即可获得理想结果

一旦您从ROC曲线中选择了一个似乎理想的阈值，您就可以调查混淆矩阵和其他评估指标（精确度、召回率、准确度、F1等），以进一步评估阈值

为了回答您的直接问题，您认为ROC曲线不直接显示FNR是正确的。在这种情况下，您可能需要使用敏感性/特异性图，该图以类似于ROC曲线的方式绘制TPR与TNR。据我所知，没有一种标准的评估方法直接针对FNR。相反，我通常只是切换数据中的“积极”和“消极”标签，然后重新绘制ROC曲线。这（有效地）给出了TNR与FNR

然而，让我们假设我的应用程序谈论最小化假阴性率？那么这条曲线会怎样变化呢

这条曲线将保持完全相同。但您将不再选择左上角的点（中的左圆）。相反，您将尝试最大化，如果您将所有点都指定为正值，则这将真正最大化。由于这不符合分类（=很愚蠢），您可以选择一个靠近ROC右上角的点（如图所示）

两者之间的平衡如何

左上角和右上角之间的一点（图中的中间）

---

ROC曲线不选择任何阈值，它们只显示TPR与FPR。没有内置的阈值选择器。左上角的阈值不会使FPR与FNR最小化。这只是一个TP和FP平衡良好的点：如果你想没有FP，你可以将阈值设置为0，但是你也不会有TP（和许多FN，还有一个非常无用的分类器）。如果您希望FN的权重大于FP，也就是说，您对FN的惩罚更重，只需在拟合分类器时使用损失矩阵即可。不过，并没有多少图书馆接受它。您使用的是哪种型号？谢谢您的评论。这只是一个独立于模型的问题。一些应用程序对假阴性有更高的权重。我将研究应用损失矩阵。但从你的评论来看，ROC阴谋无助于平衡FN。也许我画出TN和FN，得到AUC，并将两个AUC加权在一起？