PR曲线——一个更敏感的性能评估工具

最新推荐文章于 2025-03-24 10:31:54 发布
最新推荐文章于 2025-03-24 10:31:54 发布
阅读量429 收藏
点赞数 3
分类专栏： 机器学习 文章标签： 人工智能 机器学习 深度学习
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/a2313179618/article/details/142032397
版权

在不均衡数据集的情况下，精确率-召回率（Precision-Recall, PR）曲线是一种非常有用的工具，因为它提供了比传统的ROC曲线更准确的性能评估。以下是PR曲线在不均衡数据情况下的一些作用：

  1. 关注少数类：在不均衡数据集中，少数类的样本数量远少于多数类。PR曲线通过关注少数类（通常是正类）的性能来弥补这一点，因为它直接评估模型在识别正类方面的能力。

  2. 精确率与召回率的平衡：精确率（Precision）衡量的是模型预测为正的样本中实际为正的比例，而召回率（Recall）衡量的是实际为正的样本中被模型正确预测的比例。PR曲线显示了在不同阈值下精确率和召回率的权衡，这对于选择合适的操作点非常有用。

  3. 避免假阳性影响：在不均衡数据集中，ROC曲线可能会受到大量假阳性（即错误地将负类预测为正类）的影响，因为即使假阳性数量增加，召回率也不会显著下降。PR曲线则不会受到这种影响，因为它主要关注的是正类。

  4. 性能评估：PR曲线提供了一个更直观的方式来评估模型在不均衡数据集中的性能，特别是在那些对精确率或召回率有特定要求的场景中。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
PR Curve详解及二分类PR曲线Python绘制
AlianBlank的博客
08-09 827
最后使用precision_recall_curve函数计算PR曲线中的查准率、召回率和阈值，并使用plot_precision_recall_curve函数绘制PR曲线。相比之下，PR曲线重点关注的是模型的查准率（Precision）和召回率（Recall），而不是假阳性率。计算查准率和召回率：根据当前阈值，将预测结果划分为正例和负例，并计算当前阈值下的查准率和召回率。与ROC曲线类似，绘制PR曲线需要先计算出一系列查准率-召回率对。绘制PR曲线：将所有阈值下的查准率和召回率作为坐标点，绘制PR曲线。
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 1729
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。
PR曲线（Precision-Recall Curve，精确率-召回率曲线）
weixin_44012667的博客
06-26 6484
PR曲线（Precision-Recall Curve，精确率-召回率曲线）是一种用于评估二分类模型性能的工具，特别适用于不平衡数据集。PR曲线通过绘制精确率（Precision）与召回率（Recall）之间的关系，展示模型在不同决策阈值下的表现。
PRcurve
weixin_30721077的博客
01-24 210
https://blog.csdn.net/qq_33350808/article/details/83178002 问题:删掉pkl 转载于:https://www.cnblogs.com/nanzhao/p/10316098.html
机器学习性能评估指标之PR曲线（Precision-Recall Curve）
最新发布
浩瀚之水的专栏
03-24 2198
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）。
PR-curve（precision-recall curve）object detection
walker_zero的博客
06-25 1527
最近在对目标检测中的PR曲线做程序实现，发现网上有很多的版本，而且引用https://www.zhihu.com/question/53405779中的一些内容，网上很多的程序在绘制PR曲线中存在一些问题。 使用python+matplotlib 绘制PR曲线的代码应该如下：（其中出现争议的部分是ax.plot(x,y)）根据PR曲线，x轴为Recall， y轴为Precision。网上有些代码是反过来的。从matplotlib的源码中很容易可以发现是错误的。 import matplotlib...
PR curve, AP, mAP, AUC, f1-score ??
lyyiangang的博客
08-22 1846
https://github.com/rafaelpadilla/Object-Detection-Metrics
机器学习——ROC曲线、PR曲线
Ascons的博客
10-23 334
PR曲线和ROC曲线是评估分类模型性能的重要工具。它们可以帮助我们在不同阈值下比较模型的性能，并选择最佳的阈值进行预测。这篇博客将介绍如何使用Python实现PR曲线和ROC曲线，并提供相应的示例代码。
图像检测经典的评估方式——PR曲线，ROC曲线
热门推荐
Zhenqiang Ying's CSDN Blog
08-01 1万+
Keywords: PR curve, ROC curve, Machine Learning, image processing 为了帮助大家理解，比如我们需要检测一个图像中的人，分类器将图像上的每个像素划分为人和非人像素，目标是人，所以检测为人的像素用Positives表示，检测为非人的像素用Negatives来表示，检测到了需要报告，检测到不是需要拒绝，检测到了实际不是则为误报（错误地报告）或
基础学习——读txt数据、字符串转list或数组、画PR曲线、画Loss曲线
Chaoy6565的博客
05-27 1329
是Python中的一个字符串方法，它可以将一个字符串按照指定的分隔符分割成多个子字符串，并返回一个由这些子字符串组成的列表。例如，如果有一个字符串"hello world"，我们可以使用.split()方法将它按照空格分隔成两个子字符串[“hello”, “world”]。如果没有指定分隔符，则默认使用空格作为分隔符。把类似于这样的数据读出来转为list，然后画图。代码注释很详细，这里就不解释了。
PR曲线和ROC
LeeWei
11-20 615
ROC曲线（Receiver Operating Characteeristic Curve）是显示Classification模型真正率和假正率之间折中的一种图形化方法。  解读ROC图的一些概念定义:：  真正（True Positive , TP）被模型预测为正的正样本  假负（False Negative , FN）被模型预测为负的正样本  假正（False Positiv
终于搞懂了PR曲线
yfor1008
08-29 3949
PR(Precision Recall)曲线 问题 最近项目中遇到一个比较有意思的问题, 如下所示为: 图中的PR曲线很奇怪, 左边从1突然变到0. PR源码分析 为了搞清楚这个问题, 对源码进行了分析. 如下所示为上图对应的代码: from sklearn.metrics import precision_recall_curve import matplotlib.pyplot as plt score = np.array([0.9, 0.8, 0.7, 0.6, 0.3, 0.2, 0.1])
mAP，PR-curve解释及计算等
以梦为马，不日抵达。
08-31 1953
通过不断调整置信度阈值（就是当这个值越高，我们就越相信它判断得正确）来使我们R有不同的取值，然后再算在这个R下P的值，形成一个PR曲线图。对于yolov5来说NMS的置信度值就是这个值。: 指的是当IOU阈值分别取（0.5:0.05: 0.95）时，所有得出来的mAP取平均值。mean Average Precision，每个类的AP值的平均数。算出P-R曲线下面的面积，就是我们的AP值。：指的是当IOU阈值=0.5时，mAP是多少。IOU越大，则说明预测的位置越准确。预测正确的/所有应该预测正确的。...
ROC Curve, PR Curve and AUC
脚踏实地
08-23 6017
评价一个二分类模型的好坏有一些常见的标准。 真实值有两个取值：P和N，分别表示正样本和负样本。 假设值有两个取值：Y和N，同上。 首先统计下表作基础： p      n Y   TP    FP N   FN    TN 接下来的统计结果要建立在上述4个变量之上 ROC曲线： 横轴为FPR，纵轴为TPR。FPR=FP/N，TPR=TP/N，N表示总样本数。 绘制出曲线应该在y=
ROC曲线、PR曲线（笔记整理）
散修炼丹师手记
11-20 1277
简介： ROC曲线和PR曲线是机器学习中两个常见的评估指标（对于二分器而言），做个笔记… 原理： 在二分类问题中，分类器将一个实例的分类标记为是或否，这可以用一个混淆矩阵来表示。混淆矩阵有四个分类，如下表： TP（True Positive）：指正确分类的正样本数，即预测为正样本，实际也是正样本。 FP（False Positive）：指被错误的标记为正样本的负样本数，即实际为负样本而被预测为正样本，所以是False。 TN（True Negative）：指正确分类的负样本数，即预测为负样本，实际也是负样
机器学习：PR曲线以及ROC曲线
Hapless1的博客
10-22 1213
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曲线和ROC曲线
zs_id的博客
10-23 595
在机器学习中，我们经常使用PR曲线（Precision-Recall Curve）和ROC曲线（Receiver Operating Characteristic Curve）来评估模型的性能。这两种曲线都可以提供有关分类器性能的重要信息。其实PR曲线和ROC曲线的选择还是要根据实际情况做出选择，当正负样本比例相近时，ROC曲线通常能够给出稳健的性能评估，。当正负样本比例严重不平衡时，PR曲线通常更为实用。
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)
PR曲线、ROC曲线的原理以及在python的实现
qq_64337860的博客
10-22 1453
ROC曲线和PR曲线都是评价分类模型的性能的常用工具。ROC曲线（Receiver Operating Characteristic）以真正率(True Positive Rate)为纵坐标，假正率(False Positive Rate)为横坐标，描述了正负样本判定阈值的变化如何影响分类器的性能。ROC曲线可以直观地展示出不同阈值下分类器的性能，同时考虑到了真正率和假正率之间的平衡关系，适用于正负样本不平衡的情况。ROC曲线下面积(AUC)越大，分类器性能越好。
Pr曲线
03-08
### PR 曲线的概念 PR曲线，即精确率-召回率曲线，在机器学习领域用于评估分类模型性能。对于二元分类问题而言，该曲线通过不同阈值下的真阳性率（Recall）和精准度（Precision）来描绘模型的表现[^1]。 精确率是指预测为正类的样本中有多少比例真正属于正类；而召回率指的是实际为正类的样本中被正确识别的比例。这两者之间往往存在权衡关系——提高其中一个指标可能会降低另一个指标。 ### 绘制 PR 曲线的方法 为了更好地理解如何绘制并解释PR曲线，下面给出一段Python代码示例： ```python import numpy as np from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.metrics import PrecisionRecallDisplay from sklearn.linear_model import LogisticRegression # 创建模拟数据集 X, y = make_classification(n_samples=1000, n_features=20, n_informative=2, n_redundant=10, random_state=42) # 划分训练集与测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5, random_state=42) # 训练逻辑回归模型 clf = LogisticRegression() clf.fit(X_train, y_train) # 预测概率得分 y_score = clf.decision_function(X_test) # 使用PrecisionRecallDisplay展示PR曲线 display = PrecisionRecallDisplay.from_estimator(clf, X_test, y_test) _ = display.ax_.set_title("2-class Precision-Recall curve") ``` 这段代码展示了如何利用`sklearn`库中的`make_classification()`函数创建一个简单的二分类问题，并使用逻辑回归作为分类器拟合这些数据。接着计算决策分数并通过`PrecisionRecallDisplay.from_estimator()`方法生成PR曲线图。 ### 应用场景 PR曲线上面积越大表示模型越好，尤其当负样本远多于正样本时更为适用。这是因为ROC-AUC衡量的是整体区分能力而不考虑类别不平衡情况的影响，而在现实世界里很多应用场景都存在着严重的类别不均衡现象，此时PR曲线能更直观地反映模型的实际效果。
评论 1
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