我有以下 ROC 曲线：
它不会以 1.0 结束，因为我的预测包括零，例如
预测 = [0.9, 0.1, 0.8, 0.0]
对于 ROC 曲线，我采用 top-k 预测，首先是 {0.9}，然后是 {0.9, 0.8} 等。如果预测中不再有 > 0 的值，则预测不再随着 k 的增加而改变。
所以我不能得到一个真正的负值为零，并且由于误报率为 fp/(fp+tn)，曲线在达到 1 之前就结束了。
现在，我是否也应该人为地使用零进行预测，或者如果曲线就这样结束就可以了吗？使用零也感觉不对。还是我错过了什么？
ROC 曲线显示了在将阈值设置为不同值时，假阳性和假阴性之间可能的权衡。在一个极端情况下，您可以将阈值设置得如此之低，以至于将所有内容都标记为阳性，从而得到 0 的误报率和 1 的误报率。在另一个极端情况下，您可以将阈值设置得如此之高，以至于将所有内容都标记为作为阴性，给你一个假阴性率 1 和一个假阳性率 0。
虽然这些退化情况在实践中没有用，但它们在理论上仍然是有效的权衡，并且是 ROC 曲线的正常部分。
是的当然！正如 Antimony 之前提到的，ROC 曲线用于显示假阳性率和真阳性率之间的权衡。我记得，有一次我在数据上训练了一个神经网络，并且在我运行模型的 90% 的时间内，我的误报率都为 0（因为 fp 为 0）。太棒了！因为我的 TPR 大部分时间都是 1，所以我的 ROC 曲线有点奇怪，因为它主要是 y 轴（TPR 轴）上的一些点。
您的模型运行良好，因为您的 FPR 没有超出某些特定值。
让我举个例子，对于特定的输入变量，我的模型如下工作： 预测输出：[0.97, 5.78E-4, 6.15E-4] 实际输出：[1.0, 0.0, 0.0]
您可以看到该模型的预测非常完美，因为第一个值是对应类别 1 的预测值，很容易与其他两个值区分开来。另外，因为其他两个值，我的意思是 [5.78E-4, 6.15E-4]，与 0.97 相比非常小。对于每个截止值，0.97 将映射到 1，另外两个值映射到 0。我们可以看到，无论截止值是多少，TPR 都很高，FPR 为零。