10.3969/j.issn.1000-0135.2007.02.018
用AUC评估分类器的预测性能
准确率一直被作为分类器预测性能的主要评估标准,但是它存在着诸多的缺点和不足.本文将准确率与AUC(the area under the Receiver Operating Characteristic curve)进行了理论上的对比分析,并分别使用AUC和准确率对3种分类学习算法在15个两类数据集上进行了评估.综合理论和实验两个方面的结果,显示了AUC不但优于而且应该替代准确率,成为更好的分类器性能的评估度量.同时, 用AUC对3种分类学习算法的重新评估,进一步证实了基于贝叶斯定理的NaiveBayes和TAN-CMI分类算法优于决策树分类算法C4.5.
ROC、AUC、准确率、交叉验证
G35(情报学、情报工作)
2007-04-19(万方平台首次上网日期,不代表论文的发表时间)
共5页
275-279