多条Precision-Recall（PR）曲线绘制（PR曲线）含python代码

最新推荐文章于 2024-07-30 17:23:09 发布
最新推荐文章于 2024-07-30 17:23:09 发布
阅读量1w 收藏 79
点赞数 5
文章标签： python 机器学习 分类
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/jinzi_a/article/details/122005987
版权

对于一个二分类问题，我们可以根据模型的分类结果将其分为四类：TP、FP、TN、FN。
在这里插入图片描述
查准率和查全率是一对矛盾的度量，一般来说，查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。例如，我们只要将所有样本都判断为正例，则查全率即为1，但是查准率却很低，反之亦然。
在这里插入图片描述
单条PR曲线的绘制代码参考：参考

https://blog.csdn.net/u014568921/article/details/53843311?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link

#coding:utf-8
import matplotlib
#matplotlib.use("Agg")
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import precision_recall_curve
plt.figure(1
最低0.47元/天 解锁文章
jinzi_a
关注
  • 5
    点赞
  • 踩
  • 79
    收藏
    觉得还不错? 一键收藏
  • 30
    评论
P-R曲线的绘制
weixin_55773387的博客
10-20 1万+
“p” 是precition，是查准率，也是我们常用到的准确率。 “r” 是recall，是查全率，也叫召回率。
机器学习基于Python实现PR曲线和ROC曲线
m0_62682527的博客
10-21 2395
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。在介绍PR曲线之前，我们需要先了解几个概念。这里为了更加形象深刻地理解我们采用识别汉堡🍔的样例。为了判断一张图片是不是汉堡我们可以把照片扔进去一个分类器进行识别如下：其中根据上面数据得到的预测和实际结果的对比我们做出了以下表格：上面表格中的四个数组成的矩阵也就是我们需要理解的的混淆矩阵。
Python包sklearn画ROC曲线和PR曲线
renwu
08-16 2157
【代码】Python包sklearn画ROC曲线和PR曲线。
Python利用Seaborn绘制ROC和PR曲线以及AUC与AUPR的计算
qq_45647530的博客
06-01 1788
ROC曲线 [1], [2]（ReceiverOperatingCharacteristic Curve，接收者操作特征曲线）是一种用于评估二分类模型性能的重要工具。ROC曲线通过不同阈值下的真阳性率（True Positive Rate, TPR）和假阳性率（False Positive Rate, FPR）的变化情况，直观地展示模型的分类能力。具体而言，ROC曲线的横轴表示假阳性率，纵轴表示真阳性率。假阳性率是指将负样本错误地分类为正样本的比例，而真阳性率是指将正样本正确地分类为正样本的比例。
机器学习：目标检测为例，作出Precision-Recall曲线
qq_53951219的博客
10-19 3351
P-R曲线
python绘制precision-recall曲线、ROC曲线
热门推荐
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...
python画PR曲线（precision-recall曲线）
Mr.horse的博客
02-26 2万+
使用python画precision-recall曲线的代码是： sklearn.metrics.precision_recall_curve(y_true, probas_pred, pos_label=None, sample_weight=None) 注意：以上命令只限制于二分类任务 precision(精度)为tp / (tp + fp)，其中tp为真阳性数，fp为假阳性数。 r...
利用鸢尾花数据集画出P-R曲线 python
03-18
from sklearn.metrics import precision_recall_curve from sklearn.metrics import average_precision_score from sklearn.preprocessing import label_binarize from sklearn.multiclass import ...
main_roc_python_AUC_PR曲线_ROC曲线_
09-29
标题"main_roc_python_AUC_PR曲线_ROC曲线_"和描述中的关键词涉及到的是使用Python语言进行模型评估时的两个关键指标：ROC曲线（Receiver Operating Characteristic Curve）和PR曲线（Precision-Recall Curve），...
yolo画pr曲线图.zip
04-29
1. `yolo_pr_curve_python2.py`: 这是适用于Python 2版本的代码，可能包含了计算和绘制PR曲线的函数。Python 2虽然已经过时，但仍然有一些旧项目在使用。 2. `yolo_pr_curve_python3.py`: 这是适用于Python 3的代码...
用于yolo计算mAP和PR曲线使用
10-19
使用这些脚本，开发者可以将自己的YOLO模型训练后的预测结果输入，然后通过计算mAP和绘制PR曲线来评估模型在检测任务上的效果。这有助于优化模型参数，提高检测准确性和效率，从而在实际应用中达到更好的性能。在...
python实现二分类和多分类的ROC曲线教程
12-17
在机器学习领域，二分类和多分类任务是常见的问题，其中评估模型性能的重要工具之一就是ROC曲线。ROC曲线全称为Receiver Operating Characteristic曲线，它主要用于评估一个二分类模型的性能，尤其是在类别不平衡的...
Python多分类问题pr曲线绘制
m0_60152377的博客
11-04 1628
假设取极限，阈值为0，那么所有样本都会被预测为飞机，召回率最大，为1；同理，阈值变大，虚线上移，精确率会变高，但召回率反而变低。2、把所有样本的概率预测值从小到大排序去重，并以此数列分别为阈值，进行计算 “p" “r” 值，可以得到更多组 “p” “r” 值。我们根据预测结果只能够求出一组 “p” 值和 “r” 值，那是因为我们默认把阈值设置成了0.5，大于0.5就是正例，反之就是反例。蓝色虚线是我们设置阈值为0.5时候的分类情况，大于0.5是测试为飞机的概率，小于0.5是测试不为飞机的概率。
计算机视觉常用的PR图画法
weixin_51347879的博客
11-18 376
y_major_locator = MultipleLocator(10) # 把x轴的刻度间隔设置为10，并存在变量里 ############################### 设置坐标轴间隔。plt.rc('font', family='Times New Roman', size=15) # 全局中英文为字体“罗马字体”# 把x轴的刻度间隔设置为10，并存在变量里 ############################### 设置坐标轴间隔。
机器学习 | 模型评估方法（P-R曲线和ROC曲线）
m0_65437885的博客
10-23 3492
机器学习模型的性能评估是至关重要的一部分。在分类问题中，我们通常希望了解模型的预测能力，也就是评估该模型对正类别和负类别的分类结果。PR曲线和ROC曲线是用于评估二分类模型性能的常用工具，通过在不同阈值下的精确度、召回率和真正率、假正率之间的权衡，评估模型的性能。
如何绘制深度学习-目标检测评估指标P-R（precision-recall）曲线？如何计算AP（average-precision）？
Dontla的博客
02-06 2920
参考文章：深度学习-目标检测评估指标P-R曲线、AP、mAP 文章目录P-R曲线：AP计算： 下面通过具体例子说明。 首先用训练好的模型得到所有测试样本的confidence score，每一类（如car）的confidence score保存到一个文件中（如comp1_cls_test_car.txt）。假设共有20个测试样本，每个的id，confidence score和ground ...
【Python】绘制PR曲线
Asher117的博客
01-12 7805
数据挖掘模型训练好了之后，对于二分类问题，可以预测每个测试样本属于某个类别的概率， 当我们设置不同阈值时，将得到不同的P值（Precision，查准率）和R值（Recall，查全率） 基于此，可以绘制PR曲线，python绘制PR曲线比较方便。 首先，可以使用precision_recall_curve函数得到 #选择测试数据 import pandas as pd df = pd.read_csv('file_name.csv') X = df[df.columns[:-1]] y = df[df.co
【Python】pandas：排序、重复值、缺省值处理、合并、分组
最新发布
yannan20190313的博客
07-30 867
【Python】pandas：排序（sort_index,sort_values,nsmallest,nlargest）、重复值（duplicated,drop_duplicates,value_counts,nunique）、缺省值处理（isna,isnull,notna,notnull,fillna,dropna,replace）、合并（join,merge,append,concat）、分组（groupby）
python绘制多条pr曲线的代码
09-05
Python绘制多条PR曲线的代码可以使用matplotlib库实现。下面是一个示例代码： ```python import matplotlib.pyplot as plt import numpy as np # 定义不同类别的真实标签和预测得分 labels = [np.array([1, 0, 1, 1, 0]), np.array([1, 1, 0, 0, 1])] scores = [np.array([0.8, 0.6, 0.4, 0.3, 0.2]), np.array([0.9, 0.7, 0.5, 0.4, 0.1])] # 计算每个类别的PR曲线数据 precision = [] recall = [] for i in range(len(labels)): # 根据预测得分排序 sorted_indices = np.argsort(-scores[i]) sorted_labels = labels[i][sorted_indices] # 计算累积真正例和累积正例的个数 cum_true_positive = np.cumsum(sorted_labels) cum_positive = np.arange(1, len(sorted_labels) + 1) # 计算精确率和召回率 prec = cum_true_positive / cum_positive rec = cum_true_positive / np.sum(sorted_labels) # 添加到列表中 precision.append(prec.tolist()) recall.append(rec.tolist()) # 绘制PR曲线 for i in range(len(labels)): plt.plot(recall[i], precision[i], label='PR Curve {}'.format(i+1)) # 添加标题和图例 plt.title('PR Curves') plt.xlabel('Recall') plt.ylabel('Precision') plt.legend(loc='lower left') # 显示图形 plt.show() ``` 这段代码中，我们定义了两个类别的真实标签和预测得分，并根据它们计算了每个类别的PR曲线数据。然后使用matplotlib库中的plot函数绘制了这些PR曲线，并添加了标题和图例。最后使用show函数展示了图形。
评论 30
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