机器学习-pr曲线，roc曲线

最新推荐文章于 2025-04-07 19:09:15 发布

妮酱也爱敲代码

最新推荐文章于 2025-04-07 19:09:15 发布

阅读量359

点赞数 1

分类专栏：机器学习

本文链接：https://blog.csdn.net/lildn/article/details/115272085

版权

本文深入探讨了机器学习中的评估指标，重点分析了PR曲线和ROC曲线的原理及其应用。PR曲线主要关注精度和召回率，适合于正样本较少的情况；而ROC曲线则展示了真阳性率与假阳性率之间的平衡，适用于各类问题。通过理解这两种曲线，可以帮助我们更好地选择和调优分类模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

模型评价指标
0. 加载相关模块
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
from sklearn.model_selection import train_test_split

# 用于在jupyter中进行绘图
%matplotlib inline
1. 数据加载
# 加载数据集
fruits_df = pd.read_table('fruit_data_with_colors.txt')
fruits_df.head()
fruit_label	fruit_name	fruit_subtype	mass	width	height	color_score
0	1	apple	granny_smith	192	8.4	7.3	0.55
1	1	apple	granny_smith	180	8.0	6.8	0.59
2	1	apple	granny_smith	176	7.4	7.2	0.60
3	2	mandarin	mandarin	86	6.2	4.7	0.80
4	2	mandarin	mandarin	84	6.0	4.6	0.79
print('样本个数：', len(fruits_df))
样本个数： 59
# 划分数据集
X = fruits_df[['mass', 'width', 'height', 'color_score']]
y = fruits_df['fruit_label'].copy(