机器学习中的PR曲线和ROC曲线

机器学习评估指标解析
最新推荐文章于 2025-08-06 11:10:43 发布
最新推荐文章于 2025-08-06 11:10:43 发布
阅读量4.4w 收藏 55
点赞数 11
CC 4.0 BY-SA版权
分类专栏： 机器学习 机器学习笔记 文章标签： 机器学习 预测 ROC曲线 PR曲线 周志华
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mingtian715/article/details/53488094

主要是我对周志华《机器学习》第二章模型估计与选择中一些内容的总结

1.查准率、查全率和F1

对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例（TP），假反例（FN），假正例（FP），真反例（TN），具体分类结果如下
这里写图片描述
查准率P和查全率R分别定义为：

这里写图片描述

查准率关心的是”预测出正例的正确率”即从正反例子中挑选出正例的问题。
查全率关心的是”预测出正例的保证性”即从正例中挑选出正例的问题。

这两者是一对矛盾的度量，查准率可以认为是”宁缺毋滥”，适合对准确率要求高的应用，例如商品推荐，网页检索等。查全率可以认为是”宁错杀一百，不放过1个”，适合类似于检查走私、逃犯信息等。

下图为查准率-查全率曲线（P-R图）

最低0.47元/天 解锁文章

200万优质内容无限畅学
机器学习中的模型评估：ROC曲线与AUC值的深度解析
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
03-20 2346
在机器学习项目中，评估模型的性能是确保模型有效性和可靠性的关键步骤。ROC曲线（Receiver Operating Characteristic Curve）和AUC值（Area Under Curve）是评估分类模型性能的重要工具，尤其是在处理不平衡数据集时。ROC曲线展示了模型在不同阈值下的真正例率（TPR）和假正例率（FPR），而AUC值则表示ROC曲线下的面积，用于衡量模型的整体性能。本文将从ROC曲线和AUC值的基本概念出发，通过一个完整的代码示例带你入门，并探讨其应用场景和注意事项。
机器学习：PR曲线和ROC曲线
qq_62087156的博客
10-22 736
ROC曲线和PR曲线是机器学习中两个常见的评估指标，在评价一个检测模型时通常需要绘制出其 ROC 曲线或 PR 曲线。
机器学习——性能度量（PR曲线和ROC曲线）
m0_70744324的博客
10-11 4094
性能度量：衡量模型泛化能力的评价标准（反映了任务需求，在对比不同模型的能力时，使用不同的性能度量往往会导致不同的评判结果。模型的好坏，不仅取决于算法和数据，还决定于任务需求。P为precision即精准率（查准率），R为recall即召回率，所以P-R曲线是反映了准确率与召回率之间的关系。一般横坐标为recall，纵坐标为precision。ROC全称Receiver Operating Characteristic，即受试者工作特征，坐标图式的分析工具。
【机器学习】P-R（Precision-Recall Curve）曲线和ROC（Receiver Operating Characteristic）曲线的基本概念和区别
ya的博客
08-24 3064
P-R曲线是一个强大的工具，可以帮助研究者和工程师理解和优化分类模型的性能，尤其是在处理那些正类样本相对较少的数据集时TPRTPTPFNTPRTPFNTP​表示正确识别的正类样本占所有实际正类样本的比例P-R曲线：它显示了精确率（Precision）和召回率（Recall）之间的关系。精确率是正确预测为正类的样本占所有预测为正类样本的比例，而召回率是正确预测为正类的样本占所有实际为正类样本的比例ROC曲线。
PR曲线详解：原理、计算与实现
最新发布
坚持输出，记录成长。
08-06 1213
​精确率(Precision)​: 预测为正的样本中实际为正的比例​召回率(Recall)​: 实际为正的样本中被预测为正的比例TP (True Positive): 真正例FP (False Positive): 假正例FN (False Negative): 假反例。
机器学习-pr曲线，roc曲线
lildn的博客
03-27 382
模型评价指标 0. 加载相关模块 import numpy as np import matplotlib.pyplot as plt import pandas as pd import seaborn as sns from sklearn.model_selection import train_test_split # 用于在jupyter中进行绘图 %matplotlib inline 1. 数据加载 # 加载数据集 fruits_df = pd.read_table('fruit_data_w
【机器学习】PR曲线
weixin_54365065的博客
11-07 6650
机器学习基础——绘制PR曲线
机器学习-PR曲线
mlmqyllcx的博客
10-23 1054
PR曲线用横轴表示召回率，纵轴表示精确率，将数据绘制成图表的形式。PR曲线可以用于评估分类器的性能，在处理高度不均衡的数据集时，PR曲线能表现出更多的信息。 P：查准率，精确率 精确率（precision）是预测为正例的样本中真正为正例的比例，表示预测为正例的样本中有多少是真正的正例。 R：查全率，召回率 召回率（recall）是所有真正的正例中被预测为正例的比例，表示真正的正例中有多少被正确地预测为正例。 PR曲线以P为横坐标，R为纵坐
机器学习——常见的分类模型评估指标，ROC曲线和PR曲线分析
weixin_74731967的博客
04-16 1791
在机器学习领域，评估分类模型的性能是至关重要的一步，它可以帮助我们了解模型的准确性和泛化能力。在分类问题中，准确度（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数是最为常用的评估指标。（1）混淆矩阵是监督学习中的一种用于评估分类模型性能的可视化工具，主要用于模型的分类结果和实例的真实信息的比较。（2）使用混淆矩阵的好处在于它能够提供一种直观的方式来理解模型在各个类别上的表现，尤其是在类别不平衡的情况下。
机器学习学习笔记(二)---PR曲线
qq_51729332的博客
10-19 1600
PR曲线介绍，及简单绘制
机器学习----PR曲线和ROC曲线
Srrrrrrr_的博客
10-23 3515
PR曲线是以这两个为变量而做出的曲线，其中recall为横坐标，precision为纵坐标。
机器学习---绘制PR曲线和ROC曲线
boating06的博客
04-06 1474
ROC 曲线（Receiver Operating Characteristic Curve）是一个用于评估二分类模型性能的工具，特别是在面对不平衡数据集时非常有用。它通过展示不同的分类阈值下模型的表现，帮助我们理解模型的敏感度（召回率）和特异度（假正例率）之间的权衡主要的参数有：假正例率（False Positive Rate, FPR）：FP（假正例）是将负类预测为正类的样本数，TN（真负例）是正确预测为负类的样本数真正例率（True Positive Rate, TPR），也叫做召回率。
机器学习实验三之——ROC与PR曲线
m0_63916929的博客
10-23 1万+
ROC曲线（Receiver Operating Characteristic Curve）是用来评估二分类模型性能的一种常见方法。它是基于分类模型对不同阈值下的预测结果进行排序，并计算真正率（True Positive Rate，即召回率）和假正率（False Positive Rate）之间的关系而得到的曲线。真正率指分类器在所有实际为正例中正确预测为正例的比例，可以通过以下公式计算： 真正率 = TP / (TP + FN)
机器学习性能评估指标之PR曲线（Precision-Recall Curve）
浩瀚之水的专栏
03-24 3047
PR曲线是评估分类模型性能的重要工具，特别适用于类别不平衡或需要重点关注正类识别能力的任务（如疾病诊断、欺诈检测）。
机器学习：何为PR曲线与ROC曲线
weixin_51998499的博客
10-19 2249
第一个和第二个样本score>=0.8，所以预测为正样本，其本身也为正样本，其他样本score都
机器学习——ROC曲线、PR曲线
2301_80841566的博客
04-07 1426
1.横轴（召回率，即TPR）表示正样本被正确识别的比例（关注“漏检”问题）2.纵轴（精确率）表示预测为正的样本中实际为正的比例（关注“误检”问题）3.曲线绘制：通过调整分类阈值（如概率阈值），计算不同阈值下的（Recall, Precision）点，连接这些点形成曲线。
机器学习（）PR曲线绘制
热门推荐
TIAN妹的博客
12-28 2万+
P-R 曲线 Ground Truth
机器学习：PR曲线以及ROC曲线
Hapless1的博客
10-22 1312
其中，真正例表示模型正确地将样本分类为正类，假正例表示模型错误地将样本分类为正类，真反例表示模型正确地将样本分类为负类，假反例表示模型错误地将样本分类为负类。PR 曲线（Precision-Recall curve）主要关注的是模型在正例预测方面的性能，它将模型的精度（Precision）和召回率（Recall）之间的关系展示出来。精度越高，模型预测的正类样本中真正例的比例就越大，当精度为1时，表示所有被预测为正类的样本都是真正例，即没有假正例存在。假阳性率（FPR）表示模型将负样本错误分类为正类的比例。
机器学习PR和ROC曲线
03-27
### 机器学习中的PR曲线与ROC曲线 #### PR曲线概念 精确率-召回率曲线（Precision-Recall Curve，简称PR曲线）是一种用于评估分类模型性能的工具。它通过在不同阈值下绘制精确率（Precision）和召回率（Recall）的变化趋势来反映模型的表现[^3]。 - **精确率 (Precision)** 表示被预测为正类的样本中有多少比例实际上是正类。 - **召回率 (Recall)** 则衡量实际正类中有多大比例被成功识别为正类。 对于类别分布不均衡的情况，PR曲线能够更好地体现模型对少数类别的区分能力[^4]。 #### ROC曲线概念 接收者操作特性曲线（Receiver Operating Characteristic Curve，简称ROC曲线）同样用来评价二分类模型的好坏。其核心思想是在不同的决策阈值下观察假阳率（False Positive Rate, FPR）和真阳率（True Positive Rate, TPR）之间的权衡关系[^1]。 - **FPR** 定义为错误标记为正类的比例。 - **TPR** 是指正确检测到的实际正类所占总正类的比例。 通常认为，当ROC曲线越接近左上角时，说明该分类器具有更好的辨别力。 #### 联系与区别 两者均基于调整分类边界得到多组统计量并绘制成图形来进行质量评判，但它们侧重点有所不同： - **共同点**: 都依赖于改变判定界限从而获取多个可能的结果组合； - **主要差异**: - 应用场合方面，在面对极度倾斜的数据集时，由于PR图仅考虑目标群体内部情况而不受背景干扰影响较大这一特点使其成为首选方案之一。 - 另外从直观感受上看，AUC值可以作为整体效能度量标准应用于两种图表之中，不过具体数值意义会因类型各异而有所偏差[^5]。 ```python import numpy as np from sklearn.metrics import precision_recall_curve, roc_curve # 假设y_true是真实标签,y_scores是预测得分 precision, recall, _ = precision_recall_curve(y_true, y_scores) fpr, tpr, _ = roc_curve(y_true, y_scores) def plot_curves(): import matplotlib.pyplot as plt fig, ax = plt.subplots() # 绘制PR曲线 ax.plot(recall, precision, label='PR curve') # 绘制ROC曲线 ax.plot(fpr, tpr, label='ROC curve', linestyle="--") ax.set_xlabel('Recall / False Positive Rate') ax.set_ylabel('Precision / True Positive Rate') ax.legend(loc="best") plt.show() plot_curves() ```
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值