Receiver Operating Characteristic (ROC) Curve
了解如何使用接收者操作特征 (ROC) 曲线评估二元分类器。通过 Ultralytics YOLO26 探索 TPR 与 FPR 之间的权衡。
Receiver Operating Characteristic (ROC) 曲线是用于评估二分类模型性能的基本图形工具。在机器学习 (ML)领域中，它可视化了模型在所有可能的决策阈值下灵敏度与特异度之间的权衡。与像准确率这样在数据集不平衡时可能会产生误导的单一值指标不同，ROC曲线全面展示了当识别正例的标准变得更严格或更宽松时分类器的表现。对于使用监督学习技术的工程师来说，这种可视化对于确定其特定用例的最佳工作点至关重要。
理解坐标轴与权衡#
要理解 ROC 曲线，必须查看相互对比的两个参数：真正例率 (TPR) 和假正例率 (FPR)。
- **真正例率 (TPR)：**通常被称为召回率或灵敏度，纵轴上的这个指标衡量的是模型正确识别的实际正样本比例。高TPR意味着系统很少漏掉目标。
- 假正例率 (FPR)： 绘制在 x 轴上，代表被错误分类为正例的负例比例，也称为“误报”。
该曲线说明了一种动态关系：当你降低置信度阈值以捕获更多正例（增加TPR）时，你不可避免地会增加错误标记负例的风险（增加FPR）。一个完美的分类器会到达图表的左上角，表示100%的灵敏度和0%的误报。进行随机猜测的模型将表现为从左下角到右上角的对角线。整体性能通常用曲线下面积 (AUC)来概括，其中1.0的值表示完美。
实际应用#
在 ROC 曲线上设置阈值的位置完全取决于特定行业应用中错误的成本。
-
**医学诊断：**在医疗AI中，特别是在医学图像分析中的肿瘤检测等任务中，漏掉正例（假阴性）的代价可能是致命的。因此，从业者通常会选择最大化TPR的阈值，即使这会导致更高的FPR，这意味着最初可能会有更多健康的患者被标记出来以进行进一步测试。
-
**金融欺诈检测：**当金融AI用于监控信用卡交易时，银行必须平衡安全性与客户体验。如果系统过于敏感（高TPR），它可能会阻止合法的卡（高FPR），从而惹恼用户。分析师使用ROC曲线来找到一个平衡的阈值，在将假阳性保持在可接受的最低水平的同时捕获大部分欺诈。
生成 ROC 分析的概率#
要绘制ROC曲线，你需要原始预测概率，而不仅仅是最终的类别标签。以下示例使用最先进的 YOLO26 模型来生成分类得分。
from ultralytics import YOLO
# Load a pretrained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")
# Run inference to get probability distribution
results = model("bus.jpg")
# Access the probability score for the predicted class
# These continuous scores are required to calculate TPR/FPR at different thresholds
print(f"Top Class Index: {results[0].probs.top1}")
print(f"Confidence Score: {results[0].probs.top1conf:.4f}")一旦为验证集收集了这些概率，开发者就可以使用像 Scikit-learn 这样的库来计算曲线点。为了管理数据集并随时间跟踪这些指标，Ultralytics 平台提供了用于模型评估和部署的集成工具。
ROC 与相关概念对比#
区分 ROC 曲线与其他评估工具非常重要：
