ROC曲线与PR曲线的关系

最新推荐文章于 2024-04-16 14:09:10 发布
最新推荐文章于 2024-04-16 14:09:10 发布
阅读量1.1k 收藏 1
点赞数 1
分类专栏： 深度学习 机器学习
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/huxiyan450/article/details/104752985
版权
ROC曲线和PR曲线都是在数据偏斜时评价模型效果的工具，但各有侧重。ROC曲线关注TPR和FPR，不受正负样本数量影响，适合评估排序能力；PR曲线则关注正样本识别的精度和召回率，不考虑TN，适用于正样本稀少的情况。两者计算方式不同，应用场景有别。
摘要由CSDN通过智能技术生成

ROC曲线与PR曲线的关系

简介

ROC曲线

在正负样本不平衡时，Acurracy常常不能很好地反映模型的真实分类能力，而此时ROC曲线的AUC经常被来评价模型的效果。因为ROC曲线关注的是TPR（y轴；有多少比例的正样本被识别出来）和FPR（x轴；有多少比例的负样本被错误识别成正样本），因此正负样本的相对大小不会影响这两个指标。相当于把TP用正样本总数归一化，把FP用负样本总数归一化，再看阈值对这两个‘归一化’以后的指标的影响。

Percision-Recall Curves

PR曲线的全称是Percision-Recall Curves，它的x轴代表Recall（即TPR；有多少比例的正样本被识别出来），y轴是Percision（识别为正的样本中，有多少比例是正确的）。与ROC曲线十分类似，也适用于评价样本偏斜情况下，模型的效果。但与ROC曲线的‘归一化’思路不同，PR曲线用另外一种方法来缓解数据偏斜问题。由定义可知，PR曲线只关心与正类有关的参数（TP, FN, FP）。因此，即使正负类样本的数目相差较大，由于不包含TN，也不会对最后的曲线结果带来很大的影响。

相通点

解决数据偏斜问题

ROC: ‘归一化’
PR: 不考虑TN，只关心模型在正类上的效果

计算方式

如果数据集确定，

最低0.47元/天 解锁文章
Iris__HU
关注
专栏目录
PR曲线和ROC曲线概念及其区别
tsq292978891的博客
10-10 1万+
将测试样本的预测结果按照置信度排序，由高到低，卡个阈值作为正负样本的判定依据，阈值较高时，Precision比较大，阈值较低时，Recall较大。（推荐的话，想Precision较大，用户希望排名靠前的推荐是自己想要的，刑侦的话希望Recall较大，不错过一个犯人） 知识点 Precision=TP/(TP+FP) Recall=TP/(总的正样本)=TP/(TP+FN) # 这个时候的 TP...
python绘制precision-recall曲线、ROC曲线
Marshall的专栏
12-23 5万+
  基础知识   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，实际也是负样本。FN（False Negative）：指被错误的标记为负样本的正样本数，即...
【论文精读】ROC和PR曲线的关系（The relationship between Precision-Recall and ROC curves）
takedachia的博客
05-22 1651
【Paper reading】【论文精读】The relationship between Precision-Recall and ROC curves（ROC和PR曲线的关系）
检测评价指标
liujianying455的博客
01-18 587
引用 http://www.cnblogs.com/eilearn/p/9071440.html ROC曲线特点： 　　（1）优点：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。因为TPR聚焦于正例，FPR聚焦于与负例，使其成为一个比较均衡的评估方法。 　　　　  在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），而...
机器学习——分类模型评估、ROC曲线、PR曲线
最新发布
weixin_74340055的博客
04-16 2014
ROC曲线（受试者工作特征曲线）和PR曲线（精确率-召回率曲线）是两种用于评估分类模型性能的重要工具。ROC曲线以真正例率（TPR，即召回率）为纵轴，假正例率（FPR）为横轴，通过不同阈值下的TPR和FPR绘制而成。PR曲线则以召回率为横轴，精确率为纵轴，同样通过不同阈值下的召回率和精确率绘制。导入数据后，就需要选择分类器来进行训练，这里我选择了以下几个分类模型。逻辑回归（Logistic Regression）：逻辑回归是一种广义的线性回归模型，常用于处理因变量为二分类（0或1）的问题。
【机器学习】ROC曲线与PR曲线
weixin_46776511的博客
11-04 561
样本类别不均衡时选择ROC曲线还是PR曲线？
基于Python绘制PR曲线与ROC曲线（源码+图片+说明文档）.rar
04-20
1、资源内容：基于Python绘制PR曲线与ROC曲线（完整源码+说明文档+数据）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程...
基于Python绘制PR曲线与ROC曲线完整源码+说明文档+数据（课程设计）.zip
10-18
基于Python绘制PR曲线与ROC曲线完整源码+说明文档+数据（课程设计）.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于Python绘制PR...
main_roc_python_AUC_PR曲线_ROC曲线_
09-29
ROC曲线主要用于二分类问题，它展示了在不同阈值下，真阳性率（True Positive Rate, TPR）与假阳性率（False Positive Rate, FPR）之间的关系。真阳性率是正确识别正类的比例，假阳性率是误判为正类的负样本比例。...
ROC曲线，AUC，和P-R曲线的关系
GhostintheCode的博客
03-02 7471
ROC曲线，AUC，和P-R曲线的关系 前言：二值分类器的指标很多，比如precision、recall、F1 score、P-R曲线 等 发现这些指标或多或少只能反映模型在某一方面的性能。相比而言，ROC曲线则有很多优点，经常作为评估二 值分类器最重要的指标之一。 P-R曲线 Precision（查准率）：P=TP/（TP+FP） 即预测结果中真正的正例的比例。 Recall（查全率）：R...
机器学习——pr曲线、roc曲线
achuai0917的博客
10-23 3470
AUC值（ROC曲线下的面积）可以用来衡量分类器的性能，一般情况下，AUC值越大，分类器的性能越好。计算公式为TP/(TP+FN)，其中TP是真正例的数量（即正确预测为正的正例样本数量），FN是假负例的数量（即错误预测为负的正例样本数量）。计算公式为FP/(FP+TN)，其中FP是假正例的数量（即错误预测为正的负例样本数量），TN是真负例的数量（即正确预测为负的负例样本数量）。：精确率被定义为“正例预测正确的概率”，即预测为正例并且实际也为正例的样本数除以所有被预测为正例的样本数。
ROC曲线和AUC评价指标：为什么AUC可以表示正例预测值大于负例预测值的概率？
JacksonKim的博客
07-18 3269
https://www.zhihu.com/search?type=content&q=AUC%E4%B8%BA%E4%BB%80%E4%B9%88%E5%8F%AF%E4%BB%A5%E8%A1%A8%E7%A4%BA%E9%A2%84%E6%B5%8B%E7%9A%84%E6%AD%A3%E4%BE%8B%E6%8E%92%E5%9C%A8%E8%B4%9F%E4%BE%8B%E5%89%8D%E9%9D%A2%E7%9A%84%E6%A6%82%E7%8E%87 https://blog.c.
机器学习实验三之——ROC与PR曲线
m0_63916929的博客
10-23 5806
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)
ROC评估曲线的坑
桓--桓 的博客
07-21 9598
Roc曲线有多种算法，但先普及几个基本概念： True positives (TP) = 被模型预测为正的正样本 True negatives (TN) = 被模型预测为负的负样本 False positives (FP) = 被模型预测为正的负样本 False negatives (FN) = 被模型预测为负的正样本 TPR=TP/(TP+TN) 预测为正确的正样本的概率FPR=F
用ROCit包绘制ROC曲线和正响应和负响应的累积密度
weixin_43250801的博客
02-17 643
ROCit包绘制ROC曲线和正响应和负响应的累积密度
12. 临床诊断试验评价
Dr_long1996的博客
05-24 1570
临床诊断试验评价
ROC曲线-阈值评价标准
热门推荐
Rachel Zhang的专栏
03-16 23万+
ROC曲线指受试者工作特征曲线 / 接收器操作特性曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。在ROC曲线上，最靠近
32 机器学习 明白一些基本概念
一夜飘零
08-20 7851
什么是机器学习 研究如何通过计算的手段，利用经验来改善系统自身的性能 通俗来讲，让代码学着干活   特征：自变量 标签：因变量   学习的种类 有监督学习：提供标签，分类、回归 无监督学习：无标签，聚类 增强学习：也称强化学习，马尔科夫决策过程（Markov Decision Processes，MDP） 主动学习：边学习边标注 迁移学习：从一个域（Domain）迁移（Tra...
ROC曲线和PR曲线区别
07-11
ROC曲线（Receiver Operating Characteristic Curve）和PR曲线（Precision-Recall Curve）是在二分类问题中常用的评估模型性能的工具，它们有一些区别和特点。 1. 目标不同： - ROC曲线关注的是真正例率（True ...
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