12213088朱紹軍開題報告

經(jīng)典word整理文檔，僅參考，雙擊此處可刪除頁眉頁腳。本資料屬于網(wǎng)絡(luò)整理，如有侵權(quán)，請聯(lián)系刪除，謝謝！北京交通大學(xué)畢業(yè)設(shè)計（論文）開題報告題目：受試者操作特征曲線的繪制與原理演示學(xué)院：電信專業(yè)：電子科學(xué)與技術(shù)學(xué)生姓名：朱紹軍學(xué)號：12213088ROC是受試者工作特征(ReceiverOperatingCharacteristic)或相對工作特征(RelativeOperatingCharacteristic)的縮寫。ROC分析技術(shù)于五十年代起源于統(tǒng)計決策理論,用來說明分類器命中率和誤報警率之間的關(guān)系,最早在第二次世界大戰(zhàn)中應(yīng)用于雷達(dá)信號觀察能力的評價,后來使用在晶體管的相關(guān)研究中。六十年代中期,ROC開始應(yīng)用于實(shí)驗(yàn)心理學(xué)和心理物理學(xué)研究。Lusted在1988年首次提出了ROC分析可用于醫(yī)療決策評價,隨后該方法廣泛應(yīng)用于醫(yī)療診斷性能的評價.最近,Swets等人為ROC分析技術(shù)進(jìn)一步擴(kuò)展到更廣闊的公共領(lǐng)域提供了思路和建議。[1][2-5]Spackman將ROC分析技術(shù)引到機(jī)器學(xué)習(xí)領(lǐng)域中,并說明了ROC曲線的數(shù)值估計和比較算法。ROC分析技術(shù)在最近幾年越來越多的應(yīng)用到機(jī)器學(xué)習(xí)領(lǐng)域中。ROC分析技術(shù)不僅是一種通用圖形化性能估計方法,更主要的是，ROC曲線的獨(dú)特屬性使它在類別,ROC曲線可以在多類ROC問題給出清楚的解釋。ROC分析技術(shù)在類別分布、代價不敏感性、直觀性[6]以及可理解性等方面的優(yōu)勢,足以使它能夠代替?zhèn)鹘y(tǒng)的正確率成為更好的分類精度度量標(biāo)準(zhǔn)。目前，機(jī)器學(xué)習(xí)領(lǐng)域的研究者非常重視ROC分析技術(shù)。國外一些機(jī)器學(xué)習(xí)研究者根據(jù)實(shí)際需要擴(kuò)展和改進(jìn)了ROC分析技術(shù)。并在ROC分析的基礎(chǔ)上改進(jìn)并提出了一些新的方法。如ROC曲線是對分類性能的二維描述,為了能夠直接比較多個分類器,希望將ROC曲線描述的分類器性能轉(zhuǎn)換為一個數(shù)值來表示分類器的性能。一個通用的方法是計算ROC曲線下的面積(AreaUndertheROC,AUC)。其基本原理是:通過臨界點(diǎn)(cutoffpoint/cutoffvalue)的移動,獲得多對靈敏度(sensitivity)和誤判率(1-Specificity(特異度)),以靈敏度為縱軸,以誤判率為橫軸,連接各點(diǎn)繪制曲線,然后計算曲線下的面積,面積越大,AUC的估計,ROC可以用來評價分類方法的性能。研究發(fā)現(xiàn),使用大量的比較實(shí)驗(yàn)獲得的AUC比正確率更適合作為分類評價標(biāo)準(zhǔn)。Hand和Till進(jìn)而提出了一種簡單的近似AUC的計算方法。［7］另外,ROC分析技術(shù)也被用來重新評估以前的機(jī)器學(xué)習(xí)方法,對于一些幾乎是常識,我們一直認(rèn)為精度的提高主要依靠于裁剪技術(shù)。但是在用AUC評估算法時,,一直認(rèn)為NaiveBayes方法和決策樹的方法不相伯仲。但是ROC分析研究表明NaiveBayes方1北京交通大學(xué)畢業(yè)設(shè)計（論文）開題報告,一些學(xué)者還針對與ROC分析在分類中的應(yīng)用,提出了新的分裂標(biāo)準(zhǔn),Smoothing方法,集成方法等。ROC總體性能標(biāo)準(zhǔn),在最近幾年越來越多的應(yīng)用到機(jī)器學(xué)習(xí)領(lǐng)域中。ROC曲線對類別分布比例和錯誤代價不敏感性,使它在類別分布未知的領(lǐng)域和代價敏感學(xué)習(xí)中變得越來越重要。ROC分析技術(shù)已經(jīng)廣泛應(yīng)用到處理兩個類別分類器的性能評估中。在國內(nèi)的科學(xué)研究實(shí)踐中,ROC分析技術(shù)雖然在醫(yī)療領(lǐng)域已得到了廣泛的應(yīng)用,但是在其他應(yīng)用領(lǐng)域還很少看到關(guān)于ROC的文獻(xiàn)資料。因此引入和推廣ROC分析技術(shù)是十分有必要的。2北京交通大學(xué)畢業(yè)設(shè)計（論文）開題報告理論基礎(chǔ)：ROC(ReceiverOperatingCharacteristic)曲線,也就是受試者工作曲線,用于二分類判別效果的分析與評價。對于二值因變量模型,一般自變量為連續(xù)變量,因變量為二分類變量。靈敏度指將實(shí)際為真值的樣本判斷為真值的概率。特異度指將實(shí)際為假值的樣本判斷為假值的概率。誤判率指將實(shí)際為假值的判斷為真值的概率,其數(shù)值等于1-特異度。TNF和TPF分別代表正確診斷的真陽性和陰性病例所占比例；FPF和FNF分別代表部分未經(jīng)正確診斷的真陽性和真陰性病例所占比例。(cutoffpoint/cutoffvalue)(sensitivity)和誤判率(1-Specificity(特異度，以靈敏度為縱軸，以誤判率為橫軸，將繪成的曲線與45度對角線對比，若差不多重合，說明自變量對因變量的判斷價值很差，若越遠(yuǎn)離45量可以較為準(zhǔn)確地判斷因變量。3、利用得到的數(shù)值繪制ROC曲線。預(yù)期成果：不同測試方式對應(yīng)相同閾值求得的TPFTNFFPF并不完全一致。利用相應(yīng)數(shù)據(jù)繪制的曲線也不重合,計算得到的AUC不一致。AUC大的測試方法較另一測試方法性能好。3北京交通大學(xué)畢業(yè)設(shè)計（論文）開題報告[1]VictorFroelicher,KaterinaShetlerandEuanAshley.Bet2terdecisionsthroughscience[J].CurrentProblemsinCar2diology,2003,28(11):589～620[2]Fawcett,T.&Provost,F.Combiningdataminingandmachinelearningforeffectiveuserprofiling[c].InSimo2udis,Han,&Fayyad(Eds.),ProceedingsontheSecondInternationalConferenceonKnowledgeDiscoveryandDataMining,MenloParkCA.AAAI～13[3]PeterFlach.ThemanyfacesofROCanalysisinmachinelearning[J].ICML’04tutorialonROCanalysis,2004,7,485～487[4]JinHuang,CharlesX.Ling.UsingAUCandAccuracyinEvaluatingLearningAlgorithms[c]-Appendices.IEEETrans.Knowl.DataEng.17(3):(2005).[5]Jin.Huang,J.Lu,andC.X.Ling.Comparingnaivebayes,decisiontrees,andsvmusingaccuracyandauc[C].InProceedingsofthe5rdInternationalConferenceonDataMining,(ICDM-2005),2005,653～656[6]C.Ferri,P.A.Flach,andJ.Hernandez-Orallo.LearningdecisiontreesusingtheareaundertheROCcurve[C].InProceedingsoftheNineteenthInternationalConferenceonMachineLearning(ICML～146[7]A.P.Bradley.TheuseoftheareaundertheROCcurveintheevaluationofmachinelearningalgorithms[J].Pat2ternRecognition,1997,～1159[8]MetzCE.BasicprinciplesofROCanalysis.SeminNuclMed1978;82:83-98[9]MetzCE.ReceiverOperatingCharacteristicsAnalysis:AToolfortheQuantitativeEvaluationofObserverPerformanceandImagingSystem.AmericanCollegeofRadiology2006[10]MetzCE.ROCanalysisinmedicali