python-3.x - Viola Jones 人脸检测论文中的 ROC 曲线是如何绘制的？

Question

我正在阅读 Viola 和 Jones 的论文。他们在那里使用 ROC 曲线来测量分类器的准确性。

https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf

有人可以解释一下在人脸或非人脸等二元分类器的情况下如何绘制 ROC 曲线吗？我的意思是如何获得数据点。

(X,Y)=（假阳性，正确检测率）

我是否必须为我的训练数据集的每个正面和负面计算这些点。但是我的正面和负面数据集的大小不同。我有点困惑。

Answer 1

ROC 曲线 - 接收器操作特性是衡量其分类器准确性的指标。曲线下面积越大，分类器越准确。为了增加曲线下的面积，分类器需要在 y 轴上具有较高的值。这意味着有一个好的 TPR = 真阳性率。

要计算 ROC，您首先需要根据 AdaBoost 分类器的结果绘制实例的 No' 图表。之后为了绘制图形，您需要移动 AdaBoost 分类器的阈值并计算每个点的 TPR 和 FPR。