Official website of the Laub Lab which seeks to understand how bacterial cells process information, make decisions, and control their own behavior.

We study the tempo and mechanisms of bacterial and phage evolution. We routinely employ experimental evolution to examine how phages can overcome various anti-phage defense systems and how, in turn, bacteria coevolve in the face of such counter-defense mechanisms.

2023年11月27日 · AUC (area under curve) 是一个用于分类任务的模型评价指标，含义为随机抽出一对样本（一个正样本+一个负样本），然后用训练好的模型对这两个样本进行预测，计算正样本预测得分大于负样本预测得分的概率。 AUC = P (P_ {pos} > P_ {neg}) 相比于 准确率 、 召回率 、 F1等指标，AUC具有独特优势—— 不关注具体得分，只关注 排序结果，这使得它特别适用于 排序问题 的效果评估。 方法一：定义法. 假设数据集中一共有 M 个正样本， N 个负样本，共 MN …

若随机抽取一个阳性样本和一个阴性样本，分类器正确判断阳性样本的值高于阴性样本之机率=auc. 简单说：auc值越大的分类器，正确率越高。 从auc判断分类器（预测模型）优劣的标准： auc = 1，是完美分类器，采用这个预测模型时，存在至少一个阈值能得出完美 ...

Area under the Curve ，翻译为，在曲线下方的面积。 这里的曲线不加说明的话，一般默认指的是 ROC曲线。 所以完整的缩写是ROC_AUC，这个名字大家在调用 sklearn 计算AUC的时候应该非常熟悉了，此外在文献中还会看到PR_AUC，也就是 PR曲线 下的面积。 扯远了，那么ROC曲线又是什么呢，这里又得先搬出来 混淆矩阵 了： ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。 TPR：在所有实际为阳性的样本中，被 正确地 判断为阳性之比率。 …

2020年10月6日 · AUC（Area Under Curve）被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。 又由于ROC曲线一般都处于y=x这条直线的上方， 所以AUC的取值范围在0.5和1之间。 使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。 那么AUC值的含义是什么呢？

Tracking AUC and pr_auc on top of the accuracy is important, particularly in the cases where there is a class imbalance. Suppose a data has 95% True class and only 5% False class, then, even a random classifier that predicts True 95% of the time will have a high accuracy. To avoid such issues, it is advisable to monitor both accuracy and AUC.

2024年1月21日 · auc是指roc曲线下方的面积，它的取值范围是从0到1。auc的具体含义是：如果随机选择一个正样本和一个负样本，分类器将正样本排在负样本前面的概率。aucpyy−aucpy y

auc是指roc曲线下方的面积，它的取值范围是从0到1。auc的具体含义是：如果随机选择一个正样本和一个负样本，分类器将正样本排在负样本前面的概率。aucpyy−aucpy y

AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。 又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。