相信在学机器学习的各位，应该不会感到陌生。二分类是一个常见的机器学习任务，有许多指标来衡量二分类模型的性能。

AUC( ROC 曲线下面积)

对于不同的模型，我们可以绘制出两条 ROC 曲线，那么如何通过 ROC 曲线来比较模型的性能呢？

除了 ROC 曲线的形状，可以计算每个模型的 ROC 曲线下的面积（AUC）来比较不同的模型，较高的 AUC 值表示模型具有更好的分类能力和区分能力。

对比 P-R/AP 和 ROC/AUC

目标：P-R 曲线关注的是精确率和召回率之间的权衡，重点在于正例的预测准确性和发现率。而 ROC 曲线关注的是真阳性率和假阳性率之间的权衡，重点在于模型在不同阈值下对正例和负例的分类能力。

敏感性：P-R 曲线更加敏感于正例样本的变化，尤其在正例样本较少的情况下，P-R 曲线可以更好地评估模型的性能。而 ROC 曲线更适用于每个类的观测数值大致相同的情况。

# 机器学习 # 分类 # 人工智能
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

KV Cache 到底是什么？一文讲透大模型推理加速原理

avatar AtomGit开源社区

【Agentic RL / 强化学习框架】Miles 项目技术分析---（2）--- 关键技术

的本质是一个适配器模式——它将"Agent 多轮交互"（业务关注点）与"RL 训练数据生产"（基础设施关注点）完全解耦。这条解耦线画在了generate()函数上。线以上是 Agent 开发者的世界——OpenAI API、工具调用、业务逻辑。线以下是 RL 基础设施的世界——Session Server、TITO、token 对齐、loss mask、异常降级。Agent 开发者不需要知道线以下

avatar AtomGit开源社区

Faust：把 Kafka Streams 搬到 Python 里

Faust 是 Robinhood 开源的 Python 流处理库（6.8k Star），将 Kafka Streams 功能引入 Python 生态。它无需 DSL，基于 async/await 语法，支持静态类型检查，通过装饰器定义流处理逻辑。Faust 提供分布式 K/V 存储和状态管理，支持窗口聚合与故障恢复，单核每秒可处理数万事件，天然支持水平扩展。与主流 Python 库（如 NumP

avatar AtomGit开源社区