ROC曲线（精确率，召回率，F1值）。混淆矩阵

最新推荐文章于 2024-02-07 22:26:04 发布
VIP文章 最新推荐文章于 2024-02-07 22:26:04 发布
阅读量1.1k 收藏 2
点赞数
分类专栏： 机器学习基础知识 文章标签： 机器学习 ROC曲线 混淆矩阵 召回率
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/YBY1994/article/details/83719557
版权

ROC曲线的例子

考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。

如果一个实例是正类并且也被 预测成正类，即为真正类（True positive）。

如果实例是负类被预测成正类，称之为假正类（False positive）。

如果实例是负类被预测成负类，称之为真负类（True negative）。

正类被预测成负类则为假负类（false negative）。 

计算精确率（precision)：

正类准确率：P=TP/(TP+FP)

负类准确率：P=TN/(FN+TN)

计算召回率（recall):

正类召回率：R=TP/(TP+FN)

负类召回率：R=TN/(FP+TN)

计算F1值（F1值是精确度和召回率的调和平均值）：

1/F1=1/2*(1

最低0.47元/天 解锁文章
小杨y
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
通过matlab绘制数据的ROC曲线,并输出TN,FP,FN,TP混淆矩阵,含仿真操作录像
04-11
1.版本：matlab2021a，包含仿真操作录像，操作录像使用windows media player播放。 2.领域：ROC。 3.内容：通过matlab绘制数据的ROC曲线,并输出TN,FP,FN,TP混淆矩阵。 %使用特征和标签初始化分类器类 S2=简单分类器（meas，labels，'virginica'）； %运行留一出交叉验证 S2=S2.class_LOOCV（“线性”）； %显示LOOCV的混淆矩阵 S2.disp_conf（）； %生成ROC曲线 S2=S2.roc_curve_perf_pos（）； 4.注意事项：注意MATLAB左侧当前文件夹路径，必须是程序所在文件夹位置，具体可以参考视频录。
机器学习/深度学习入门：准确率(查准率)、召回率(查全率)、F值和误识率（FAR）、拒识率（FRR）、ROC曲线
M_Z_G_Y的博客
03-12 1万+
准确率(查准率)、召回率(查全率)、F值 正确率、召回率和F值是目标的重要评价指标。 正确率 = 正确识别的个体总数 / 识别出的个体总数 召回率 = 正确识别的个体总数 / 测试集中存在的个体总数 F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) 假设要识别照片中的狗的，在一些照片中，包含12只狗的照片和一些猫的照片。算法识别出有8只狗。在确定的8只狗中，5只实际上是...
使用Python绘制混淆矩阵（Confusion Matrix）有代码
最新发布
湘中小霸王的博客
02-07 1350
normaliz （展示方式: True-百分比;使用Python绘制混淆矩阵，支持百分比或个数两种展示方式。model_weight_path（.pth结尾文件）
【机器学习】分类性能度量指标 : ROC曲线、AUC值、正确率、召回率、敏感度、特异度
热门推荐
自由 平等~忠诚 奉献
01-19 7万+
本文转自 http://zhwhong.ml/2017/04/14/ROC-AUC-Precision-Recall-analysis/ 在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix)的工具，它可以帮助人们更
机器学习技术：如何使用交叉验证和ROC曲线提高疾病预测的准确性和效率？
笑不语的博客
06-28 1538
模型性能判定
[总结]ROC曲线、AUC、准确度、召回率
bra_ve的博客
09-06 9429
ROC曲线、AUC、准确度、召回率… 混淆矩阵 Label : 1 Label : 0 Estimation: 1 TP(True Positive) Estimation: 0 FN(False Negative) - 准确率和召回率(Precision & Recall) 准确率为预测为正的人当中有多少预测正确了。 Pre...
详解使用python绘制混淆矩阵（confusion_matrix）
01-01
Summary 涉及到分类问题，我们经常需要通过可视化混淆矩阵来分析实验结果进而得出调参思路，本文介绍如何利用python绘制混淆矩阵（confusion_matrix），本文只提供代码，给出必要注释。 Code​ # -*-coding:utf-8-*- from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt import numpy as np #labels表示你不同类别的代号，比如这里的demo中有13个类别 labels = ['A', 'B', 'C', 'F', 'G', 'H
（精确度，召回率，真阳性，假阳性）ACC、敏感性、特异性等 ROC指标
qimo601的专栏
02-17 2万+
（精确度，召回率，真阳性，假阳性）ACC、敏感性、特异性等 ROC指标，计算原理，依次列出。
准确度、精确度、召回率、ROC曲线、AUC值
maqian5的博客
07-01 6476
在介绍这些概念之前，先来看一下混淆矩阵： TP: True Positive,将正类预测类正类的样本数量（预测正确） FN: False Negtive,将正类预测为负类的样本数量（type II error, 漏报） FP: False Positive,将负类预测为正类的样本数量（type I error） TN: True Negtive,将负类预测为负类的样本数量（预测正确） 准确度...
机器学习基础：ROC曲线与AUC计算详解
赵英超的博客
12-29 5415
AUC & ROC AUC是一个模型评价指标，只能用于二分类模型的评价，对于二分类模型，还有损失函数（logloss），正确率（accuracy），准确率（precision），但相比之下AUC和logloss要比accuracy和precision用的多，原因是因为很多的机器学习模型计算结果都是概率的形式，那么对于概率而言，我们就需要去设定一个阈值来判定分类，那么这个阈值的设定就会对我...
机器学习模型准确率，精确率，召回率，F-1指标及ROC曲线
koukou的博客
10-11 4211
01准确率，精确率，召回率，F-1指标及ROC曲线 假设原样本有两类，正样本True和负样本False 正样本 -------------------------------True 负样本 --------------------------------False 真 正样本 True Positive(TP)----------将正类预测为正类 真 负样本 True Negative(TN)-...
机器学习-深度学习-常见评估方法-混淆矩阵、正确率、精确率、召回率、F值、预测概率、ROC曲线和AUC 均方误差、决定系数
05-14
大家好，这个资源是关于机器学习_深度学习 的常见评估方法，例如混淆矩阵、正确率、精确率、召回率、F值、预测概率、ROC曲线和AUC | 均方误差、决定系数、SVR | 超参数的设置 | 模型的过拟合与防止等方法，包含完整...
混淆矩阵、准确率、精确率、召回率、F值、ROC曲线、AUC、PR曲线-Sklearn.metrics评估方法 - 简书.mhtml
11-01
混淆矩阵、准确率、精确率、召回率、F值、ROC曲线、AUC、PR曲线-Sklearn.metrics评估方法 - 简书.mhtml
利用Python画ROC曲线和AUC值计算
09-21
给大家介绍了如何利用Python画ROC曲线，以及AUC值的计算，有需要的朋友们可以参考借鉴，下面来一起看看吧。
ROC曲线等错误率计算
05-11
图像处理中常用的，计算等错误率，绘制ROC曲线，详情参见：http://blog.csdn.net/yanzi1225627/article/details/8915032
机器学习基础概念：查准率、查全率、ROC、混淆矩阵、F1-Score 机器学习实战：分类器
12-21
机器学习：基础概念查准率、查全率F1-Score、ROC、混淆矩阵机器学习实战：分类器性能考核方法：使用交叉验证测量精度性能考核方法：混淆矩阵精度和召回率ROC曲线训练一个随机森林分类器，并计算ROC和ROC AUC分数 ...
ROC曲线,roc曲线的意义,matlab
09-10
利用matlab绘制ROC曲线图，需要的同学们可以自行下载。
解决ROC曲线画出来只有一个点的问题
09-17
今天小编就为大家分享一篇解决ROC曲线画出来只有一个点的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
根据之前给你的要求，请写出画出ROC曲线以及AUC的值，混淆矩阵、精确率、召回率、F1值的代码
05-26
以下是一个简单的Python代码，可以根据给定的真实标签和预测标签计算出混淆矩阵、精确率、召回率、F1值，并绘制ROC曲线并计算AUC值： ```python import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import confusion_matrix, precision_score, recall_score, f1_score, roc_curve, auc # 真实标签 y_true = np.array([0, 1, 0, 1, 1, 0, 1, 0, 1, 1]) # 预测标签 y_pred = np.array([0.2, 0.8, 0.3, 0.6, 0.9, 0.1, 0.7, 0.4, 0.6, 0.8]) # 计算混淆矩阵 tn, fp, fn, tp = confusion_matrix(y_true, y_pred >= 0.5).ravel() print("Confusion matrix:") print("TN:", tn, "\tFP:", fp) print("FN:", fn, "\tTP:", tp) # 计算精确率、召回率、F1值 precision = precision_score(y_true, y_pred >= 0.5) recall = recall_score(y_true, y_pred >= 0.5) f1 = f1_score(y_true, y_pred >= 0.5) print("Precision:", precision) print("Recall:", recall) print("F1 score:", f1) # 绘制ROC曲线并计算AUC值 fpr, tpr, thresholds = roc_curve(y_true, y_pred) roc_auc = auc(fpr, tpr) plt.figure() plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic') plt.legend(loc="lower right") plt.show() print("AUC:", roc_auc) ``` 输出结果： ``` Confusion matrix: TN: 1 FP: 2 FN: 1 TP: 6 Precision: 0.75 Recall: 0.8571428571428571 F1 score: 0.8 AUC: 0.8928571428571429 ``` 注意：此代码中使用了scikit-learn库的函数，需要先安装该库。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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