什麼是ROC曲線？

Question

有人可以解釋一下ROC曲線在測試序列中跟蹤的實際情況嗎？下圖顯示了ROC曲線的一個例子。

Answer 1

原來的問題的意見包含着一些非常有用的鏈接瞭解一般ROC曲線和有關歧視的門檻。這裏試圖理解OP使用的參考文獻（參考文獻1）以及特定於檢測行人問題的更多信息。

如何在獲得了ROC曲線，什麼是在這種情況下，鑑別閾值（參考文獻1）：在當量

1. 運動濾波器和外觀的過濾器，（「f_i」（2）P 。156）使用來自視頻序列的各種時間/空間差異圖像的「積分圖像」進行評估。

2. 使用所有這些過濾器，學習算法會建立最佳分類器（C in eq。（1）p.156），將正面示例（例如：行人）與負面示例分開（例如：選擇非步行示例）。分類器C是一個閾值的特徵和F，如式（1）所示。 （1）。特徵F是過濾器，「f_i」由特徵閾值「t_i」閾值化。

3. 在AdaBoost訓練期間計算涉及的閾值（即，濾波器閾值，「t_i」和分類器閾值「Theta」），其在訓練示例中選擇具有最低加權誤差的特徵。

4. 如（參考文獻2）所述，使用級聯的這種分類器使檢測器非常有效。在訓練過程中，級聯的每個階段 - 增強分類器 - 使用2250個正面例子（圖5中的例子158頁）和2250個負例子進行訓練。

5. 最終的級聯檢測器運行在驗證序列上以獲得真正的陽性率和假陽性率。這是基於將級聯檢測器的輸出（例如行人的存在或不存在）與基礎事實（基於地面事實或手動審視視頻序列的相同區域處的行人的存在或不存在）進行比較而得出的。對於整個級聯的一組閾值（級聯中的所有分類器上的「t_i」和「Theta」），獲得確定的真正的陽性率和假陽性率。這將使ROC曲線上的一點。

6. 一個簡單的MATLAB例子從一個給定的分類器輸出與地面實況測量真陽性率和假陽性率可以在這裏找到：http://www.mathworks.com/matlabcentral/fileexchange/21212-confusion-matrix---matching-matrix-along-with-precision--sensitivity--specificity-and-model-accuracy

7. 因此，在這種情況下，ROC曲線上的每個點將取決於爲所有級聯層選擇的閾值（因此在這種情況下判別閾值不是單個數字）。通過調整這些閾值，一次一個，輸出真正的陽性率和假陽性率的變化（重複步驟5時），給出ROC曲線上的其他點。

8. 對於動態和靜態檢測器的這兩種情況，重複該過程以獲得圖上的兩個ROC曲線。

請通過通過這個環節上ROC一些很好的說明和例子：

ROC曲線可以用來比較分類器的性能等級區分，爲例子，行人與非步行者輸入樣本。 ROC曲線下的面積用作分類器區分類的能力的度量。

行情均來自於：

（參考文獻1）P.中提琴，MJ瓊斯和D.雪， 「行人檢測使用運動和外觀的模式」，國際計算機視覺63（2） （參考文獻2）P。Viola和MJ Jones，「Rapid object detection using a boosted cascade of simple features.IEEE Con​​ference on Computer Vision and IEEE Con​​ference on Computer Vision and模式識別更多信息在Viola-Jones Algorithm - "Sum of Pixels"?