ROC 曲线和 libsvm

Posted 2023-03-12

【中文标题】ROC 曲线和 libsvm

【英文标题】：ROC curve and libsvm

【发布时间】：2014-07-20 07:56:06

【问题描述】：

给定使用plotroc.m 绘制的ROC 曲线（参见here）：

理论问题：如何选择要使用的最佳阈值？ 编程问题：如何诱导libsvm 分类器使用选定的（最佳）阈值？

【参考方案1】：

ROC 曲线是通过在 y 轴上绘制真阳性分数与在 x 轴上绘制假阳性分数而生成的图。因此，ROC 曲线上任意点 (x,y) 的坐标表示特定阈值下的 FPR 和 TPR 值。 如图所示，我们在 ROC 曲线上找到点 (x,y)，它对应于该点到绘图左上角的最小距离（即由 (0,1) 给出）。该点对应的阈值即为所需阈值。对不起，我不允许放任何图像，所以无法用图解释。但是，更多详情请点击ROC related help

其次，在 libsvm 中，svmpredict 函数返回数据样本属于特定类的概率。因此，如果该概率（对于正类）大于阈值（从 ROC 图获得），那么我们可以将样本分类为正类。这几行可能对您有用：

    [pred_labels,~,p] = svmpredict(target_labels,feature_test,svmStruct,'-b 1');

% 其中，svmStruct 是 svmtrain 函数返回的结构体。

    op = p(:,svmStruct.Label==1);  % This gives probability for positive
% class (i.e whose label is 1 )

现在如果这个变量 'op' 大于阈值，那么我们可以将相应的测试样本分类为正类。这可以这样做

op_labels = op>th; % 其中 'th' 是从 ROC 获得的阈值

【讨论】：

有人已经为计算 AUC (ROC) 的 libsvm 实现了一个扩展。可以在这里找到：csie.ntu.edu.tw/~cjlin/libsvmtools/eval/index.html