在心理物理学理论中,人类在信号感知过程中所表现出的决策偏差已被广泛认可。为进一步解决该问题,W. Peterson, T. Birdsall 及 W.Fox 于上世纪50年代公开提出了 Receiver Operating Characteristic curve (ROC 曲线)刻画不同阈值下的受试者信号识别真阳性率及假阳性率,并通过 ROC 曲线下面积(Area Under ROC Curve,AUROC)衡量不同阈值下的平均性能,规避了决策条件对于性能评估的影响。该指标于上世纪90年代初引入机器学习领域,截止至今,AUROC的指标性质、优化算法、泛化理论已得到广泛研究报道。
机器学习
杨智勇