12213088朱绍军开题报告

经典word整理文档，仅参考，双击此处可删除页眉页脚。本资料属于网络整理，如有侵权，请联系删除，谢谢！北京交通大学毕业设计（论文）开题报告题目：受试者操作特征曲线的绘制与原理演示学院：电信专业：电子科学与技术学生姓名：朱绍军学号：12213088ROC是受试者工作特征(ReceiverOperatingCharacteristic)或相对工作特征(RelativeOperatingCharacteristic)的缩写。ROC分析技术于五十年代起源于统计决策理论,用来说明分类器命中率和误报警率之间的关系,最早在第二次世界大战中应用于雷达信号观察能力的评价,后来使用在晶体管的相关研究中。六十年代中期,ROC开始应用于实验心理学和心理物理学研究。Lusted在1988年首次提出了ROC分析可用于医疗决策评价,随后该方法广泛应用于医疗诊断性能的评价.最近,Swets等人为ROC分析技术进一步扩展到更广阔的公共领域提供了思路和建议。[1][2-5]Spackman将ROC分析技术引到机器学习领域中,并说明了ROC曲线的数值估计和比较算法。ROC分析技术在最近几年越来越多的应用到机器学习领域中。ROC分析技术不仅是一种通用图形化性能估计方法,更主要的是，ROC曲线的独特属性使它在类别,ROC曲线可以在多类ROC问题给出清楚的解释。ROC分析技术在类别分布、代价不敏感性、直观性[6]以及可理解性等方面的优势,足以使它能够代替传统的正确率成为更好的分类精度度量标准。目前，机器学习领域的研究者非常重视ROC分析技术。国外一些机器学习研究者根据实际需要扩展和改进了ROC分析技术。并在ROC分析的基础上改进并提出了一些新的方法。如ROC曲线是对分类性能的二维描述,为了能够直接比较多个分类器,希望将ROC曲线描述的分类器性能转换为一个数值来表示分类器的性能。一个通用的方法是计算ROC曲线下的面积(AreaUndertheROC,AUC)。其基本原理是:通过临界点(cutoffpoint/cutoffvalue)的移动,获得多对灵敏度(sensitivity)和误判率(1-Specificity(特异度)),以灵敏度为纵轴,以误判率为横轴,连接各点绘制曲线,然后计算曲线下的面积,面积越大,AUC的估计,ROC可以用来评价分类方法的性能。研究发现,使用大量的比较实验获得的AUC比正确率更适合作为分类评价标准。Hand和Till进而提出了一种简单的近似AUC的计算方法。［7］另外,ROC分析技术也被用来重新评估以前的机器学习方法,对于一些几乎是常识,我们一直认为精度的提高主要依靠于裁剪技术。但是在用AUC评估算法时,,一直认为NaiveBayes方法和决策树的方法不相伯仲。但是ROC分析研究表明NaiveBayes方1北京交通大学毕业设计（论文）开题报告,一些学者还针对与ROC分析在分类中的应用,提出了新的分裂标准,Smoothing方法,集成方法等。ROC总体性能标准,在最近几年越来越多的应用到机器学习领域中。ROC曲线对类别分布比例和错误代价不敏感性,使它在类别分布未知的领域和代价敏感学习中变得越来越重要。ROC分析技术已经广泛应用到处理两个类别分类器的性能评估中。在国内的科学研究实践中,ROC分析技术虽然在医疗领域已得到了广泛的应用,但是在其他应用领域还很少看到关于ROC的文献资料。因此引入和推广ROC分析技术是十分有必要的。2北京交通大学毕业设计（论文）开题报告理论基础：ROC(ReceiverOperatingCharacteristic)曲线,也就是受试者工作曲线,用于二分类判别效果的分析与评价。对于二值因变量模型,一般自变量为连续变量,因变量为二分类变量。灵敏度指将实际为真值的样本判断为真值的概率。特异度指将实际为假值的样本判断为假值的概率。误判率指将实际为假值的判断为真值的概率,其数值等于1-特异度。TNF和TPF分别代表正确诊断的真阳性和阴性病例所占比例；FPF和FNF分别代表部分未经正确诊断的真阳性和真阴性病例所占比例。(cutoffpoint/cutoffvalue)(sensitivity)和误判率(1-Specificity(特异度，以灵敏度为纵轴，以误判率为横轴，将绘成的曲线与45度对角线对比，若差不多重合，说明自变量对因变量的判断价值很差，若越远离45量可以较为准确地判断因变量。3、利用得到的数值绘制ROC曲线。预期成果：不同测试方式对应相同阈值求得的TPFTNFFPF并不完全一致。利用相应数据绘制的曲线也不重合,计算得到的AUC不一致。AUC大的测试方法较另一测试方法性能好。3北京交通大学毕业设计（论文）开题报告[1]VictorFroelicher,KaterinaShetlerandEuanAshley.Bet2terdecisionsthroughscience[J].CurrentProblemsinCar2diology,2003,28(11):589～620[2]Fawcett,T.&Provost,F.Combiningdataminingandmachinelearningforeffectiveuserprofiling[c].InSimo2udis,Han,&Fayyad(Eds.),ProceedingsontheSecondInternationalConferenceonKnowledgeDiscoveryandDataMining,MenloParkCA.AAAI～13[3]PeterFlach.ThemanyfacesofROCanalysisinmachinelearning[J].ICML’04tutorialonROCanalysis,2004,7,485～487[4]JinHuang,CharlesX.Ling.UsingAUCandAccuracyinEvaluatingLearningAlgorithms[c]-Appendices.IEEETrans.Knowl.DataEng.17(3):(2005).[5]Jin.Huang,J.Lu,andC.X.Ling.Comparingnaivebayes,decisiontrees,andsvmusingaccuracyandauc[C].InProceedingsofthe5rdInternationalConferenceonDataMining,(ICDM-2005),2005,653～656[6]C.Ferri,P.A.Flach,andJ.Hernandez-Orallo.LearningdecisiontreesusingtheareaundertheROCcurve[C].InProceedingsoftheNineteenthInternationalConferenceonMachineLearning(ICML～146[7]A.P.Bradley.TheuseoftheareaundertheROCcurveintheevaluationofmachinelearningalgorithms[J].Pat2ternRecognition,1997,～1159[8]MetzCE.BasicprinciplesofROCanalysis.SeminNuclMed1978;82:83-98[9]MetzCE.ReceiverOperatingCharacteristicsAnalysis:AToolfortheQuantitativeEvaluationofObserverPerformanceandImagingSystem.AmericanCollegeofRadiology2006[10]MetzCE.ROCanalysisinmedicali