多分类问题中每一类的Precision-Recall Curve曲线以及ROC的Matlab画法

转自：http://www.zhizhihu.com/html/y2010/2447.html

        这两天写论文中，本来设计的是要画这个Precision-Recall Curve的，因为PRC是从信息检索中来的，而且我又做的类似一个检索，所以要画这个图，但是我靠，竟然发现不好画，找了很多资料等。最后也没画好，多么重要好看实用的图啊，可惜了。

       今天就花了一点功夫，专门为自己弄了个工具包，用来计算多分类问题中的Precision-Recall Curve、混淆矩阵Confusion Matrix并且进行可视化输出。

       不过Precision-Recall Curve对于每一类的画法还是很有讲究的，我们知道对于二类问题，像是检索中的问题，最后的查全率、查准率基本都是最后计算一对值就行了，但是就一对值，一个点是画不出曲线来的，所以在实际的曲线过程中，是这样的：

1、首先得分为正负两类，多类问题真对每一类都可以映射过去

2、按照决策值（分类问题每一个样本肯定会有一个支持分类的概率或者置信度等等，像是libsvm的dec_values的矩阵），按照从小到大的顺序进行排序

3、然后分别计算全部样本、全本样本-1、全部样本-2、...........、一直计算完毕，每一次都会有查全率查准率，就可以曲线了，这里我说的很粗糙，详细的可以查看我的代码，当然也有函数参考的别人的，也做了说明。

		correct result / classification
		E1	E2
obtained result / classification	E1	tp (true positive)	fp (false positive)
	E2	fn (false negative)	tn (true negative)

       Precision and recall are then defined as:

       Recall in this context is also referred to as the True Positive Rate, other related measures used in classification include True Negative Rate and Accuracy:^[1]. True Negative Rate is also called Specificity.

------------------

我的计算这些东西的代码包：

PG_Curve.zip: Matlab code for computing and visualization: Confusion Matrix, Precision/Recall Curve, ROC, Accuracy, F-Measure etc. for Classification.

红色的跳跃的就是最原始的曲线，绿色的是一个人的平滑算法。