分类指标ROC与PR曲线

更新：2026-10-13；状态：可用；验证范围：教材、原始研究或官方文档核对；概念与方法说明。

分类评价同时考虑阈值、类别比例、错误代价和概率校准，不能只看AUC。

先定义阳性与独立对象

TP/FP/FN/TN分别为真阳性、假阳性、假阴性和真阴性。敏感度/召回率为TP/(TP+FN)，特异度为TN/(TN+FP)，精确率为TP/(TP+FP)。分母为0时需说明处理，不能静默填成完美分数。

假设100个对象只有5个阳性，全预测阴性准确率95%，却没有找出任何阳性。指标必须结合目标、阳性定义和错误代价。

ROC与PR

ROC在不同阈值下绘制敏感度对假阳性率；AUC描述排序能力。PR绘制精确率对召回率，在稀少阳性场景常更直观地反映误报负担。PR的基线与阳性比例有关，不宜忽略队列组成直接跨研究比较。

average precision与对PR曲线做梯形积分不总相同，报告实现。AUC高不保证选定阈值性能好，也不说明预测概率校准正确。

阈值与校准怎样验证

阈值应在训练/验证部分确定，再冻结到测试；不能在最终测试集找最佳Youden点后继续宣称完全独立评价。校准检查预测概率与实际频率是否相符，可结合校准图和Brier等适当评分。

置信区间需尊重供体、家系或重复测量结构；外部验证还需比较目标群体、测量平台和类别比例。仅重复交叉验证不能证明跨中心可推广。

本页为解释指南，没有执行分类器、ROC或临床验证。接口来源：scikit-learn模型评价、概率校准。实际验证计划见组学验证的层级与证据。