---
tags: Deep Learning Based DNA Sequence Fast Decoding
---
# ROC & PRC
## Curves
### ROC (Receiver Operating Characteristic Curve)
ROC 曲線以 $FPR$ 為 $X$ 軸，$TPR$為 $Y$ 軸，每一個點代表設定不同的門檻值所得到的不同的 $FPR$ 及 $TPR$ ，最後繪製成一條曲線。
1. $FPR$: False Positive Rate
2. $TPR$: True Positive Rate
### PRC (Precision-Recall Curves)
PR 曲線以 $Recall$ 為 $X$ 軸，$Precision$ 為 $Y$ 軸，每一個點代表設定不同的門檻值所得到的不同的 $Recall$ 及 $Precision$ ，最後繪製成一條曲線。
1. $Recall = \frac{TP}{TP+FN}$
2. $Precision = \frac{TP}{TP+FP}$
$\text{, where TP is the True Positive Rate, TN is the True Negative, FP is the False Positive,}\\\text{FN is the False Negative}$
## AUC (Area under curve)
AUC(曲線下面積)，所代表的意義為隨機抽取一個正樣本，分類器會正確判斷為正樣本的機率高於判斷為負樣本的機率，所以 AUC 越高則分類器正確率會越高。
* ※AUROC可以用來判斷機器學型模型的好壞，通常來說
1. $AUC = 0.5$ no discrimination
2. $0.7\leq AUC\leq0.8$ acceptable discrimination
3. $0.8\leq AUC\leq0.9$ excellent discrimination
4. $0.9\leq AUC\leq1.0$ outstanding discrimination

**Reference**
[深入介紹及比較ROC曲線及PR曲線 - Medium](https://medium.com/nlp-tsupei/roc-pr-%E6%9B%B2%E7%B7%9A-f3faa2231b8c)