【机器学习】PR曲线F1评分ROC曲线AUC

最新推荐文章于 2024-04-20 10:06:39 发布
最新推荐文章于 2024-04-20 10:06:39 发布
阅读量509 收藏
点赞数
分类专栏： 机器学习 文章标签： 人工智能 逻辑回归
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/liufang_imei/article/details/128596804
版权

参考：《百面机器学习》

PR曲线

TP（ True Positive）：真正例

FP（ False Positive）：假正例

FN（False Negative）：假反例

TN（True Negative）：真反例

精确率（Precision）: P r e c i s i o n = T P T P + F

了解本专栏 订阅专栏 解锁全文 超级会员免费看
雨果同学的编程之路
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
机器学习面试复习资源集合
04-20
PR曲线和F1 & ROC曲线和AUC AUC & GAUC （二）正则项 正则化与数据先验分布的关系 L1在0点处不可导怎么办？可采用坐标轴下降、最小角回归法 L1为什么比L2的解更稀疏 （三）损失函数 常见损失函数 常见损失函数2 （四...
F1score/P-R曲线/ROC曲线/AUC
qq_40415753的博客
10-25 5644
1.分类正确的样本占总样本个数的比例。 2.TP/FP/FN/TN 1）True positive(TP): 真正例，将正类正确预测为正类数； 2）False positive(FP): 假正例，将负类错误预测为正类数； 3）False negative(FN):假负例，将正类错误预测为负类数； 4）True negative(TN): 真负例，将负类正确预测为负类数。 3.Pre...
AUC、F1、PR、Precision、Recall等等计算
weixin_56314292的博客
09-11 357
Precision体现了模型对负样本的区分能力，Precision越高，模型对负样本的区分能力越强；Recall体现了模型对正样本的识别能力，Recall越高，模型对正样本的识别能力越强。F1 score是两者的综合，F1 score越高，说明模型越稳健。纵坐标是precision，横坐标哦是recall，精准率和召回率是相互制约的，如果想要精准率提高，召回率则会下降，如果要召回率提高，精准率则会下降，我们需要找到二者之间的一个平衡。FPR是横坐标，TPR是纵坐标。AUC就是ROC曲线下方面积。
机器学习基础-PR\ROC\F1
最新发布
qq_45906101的博客
04-20 352
PC曲线就是精准率与召回率曲线，精准率与召回率是相爱相杀的，比如，当我们阈值很高的时候，精准率就会很高，精准率就是预测出来的阳性有多少是真阳性，阈值高，我们测出来的阳性一般都是真的，此时召回率就低，召回率是真的阳性中有多少被预测出来的，因为阈值变高了，我们预测出来的阳性很少。如图，就是根据阈值不同，我们看我们的二分类器的结果，根据结果算出TPR(真阳性)与FPR(假阳性)，最好的情况就是如图，我们的ROC曲线越靠近左上角，越好，当然，有一条基准线，就是y=x。，我们更需要关注的是 FP而不是FN。
机器学习：PR曲线及F1 score
weixin_45095281的博客
11-17 3519
PR曲线及F1 scorePecision 和 RecallPR曲线PR曲线的绘制PR曲线的性能比较F1 scoreF1 的一般形式macro-F1micro-F1 Pecision 和 Recall 首先，我们把数据和对应的标签称为一个example。 在二分类问题中，example可分为真正例（true positive），假正例（fake positive），真反例（true negative），假反例（fake negative） 下面这个矩阵称为混淆矩阵。 precision 和 recall的
【机器学习笔记】：一文让你彻底理解准确率，精准率，召回率，真正率，假正率，ROC/AUC
Python数据科学
10-14 2万+
作者：xiaoyu 微信公众号：Python数据科学 知乎：python数据分析 非经作者允许，禁止任何商业转载。 ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念弄混。还有的朋友面试之前背下来了，但是一紧张大脑一片空白全...
目标检测模型的几个指标
qq_52832321的博客
03-08 3234
F1得分是一个综合了精确率（precision）和召回率（recall）的指标，其计算公式是2 * (精确率 * 召回率) / (精确率 + 召回率)，值范围在0~1之间，取值越大则模型性能越好。精确率（Precision）: Precision 是正确预测为正的样本（TP）占预测为正的总样本（TP+FP）的比例。召回率（Recall）: Recall 是正确预测为正的样本（TP）占实际为正的总样本（TP+FN）的比例。也就是，这些样本是正类，模型预测为正类。也就是，这些样本是负类，模型预测为负类。
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...
机器学习__性能度量.pptx
01-14
根据不同的任务需求和数据特性，如数据的不平衡性，查准率、查全率、F1分数、ROC曲线和AUC等都是评估模型性能的重要工具。在实践中，我们需要综合考虑这些指标，以确保模型的泛化能力和实用性。
机器学习模型评估-sklearn中的评估函数
12-23
- **ROC曲线（Receiver Operating Characteristic, ROC曲线）**：ROC曲线描述了真阳性率（TPR）与假阳性率（FPR）之间的关系，广泛用于评估二分类问题，AUC（Area Under the Curve）是ROC曲线下的面积，也是衡量...
机器学习口罩佩戴需要的图片.zip
01-22
对于不平衡数据集（比如戴口罩的人少于不戴口罩的人），AUC-ROC曲线和PR曲线可能是更好的选择。 总的来说，"机器学习口罩佩戴需要的图片.zip"提供的数据集为构建口罩佩戴检测系统奠定了基础。通过合理的数据处理、...
度量方法：PR & F1 & AUC
竹石破岩
03-07 1864
1. Precision an Recall   计算公式： precion=TPTP+FPprecion = \frac{TP}{TP+FP}precion=TP+FPTP​ recall=TPTP+FNrecall = \frac{TP}{TP+FN}recall=TP+FNTP​   在排序问题中，通常没有一个确定的阈值把得到的结果直接判定为正样本或负样本，而是采用Top N返回结果的pr...
机器学习分类问题指标——Accuracy，Precision、Recall、F1，P-R，ROC，AUC（以鸢尾花为例）
小哈里的博客
11-04 1933
F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。在P-R曲线中，横坐标是recall，纵坐标是precision。AUC 即ROC曲线下的面积。那么以维吉尼亚鸢尾为例。ROC和AUC的用处。
机器学习性能度量指标（precision、recall、PR曲线、F1、ROC、AUC、IOU、mAP）
xhj_enen的博客
03-18 1万+
1、precision、recall、PR curve、F1 在信息检索等任务中，我们经常会关心“检索出的信息中有多少比例是用户感兴趣的”以及“用户感兴趣的信息中有多少被检索出来了”。precision（查准率）与recall（查全率）就是此类需求的性能度量指标。 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 则查准率与查全率的定义分别为： precisio...
机器学习中绘制（多标签）PR曲线和F1-score【转载】
rzxxdxka的博客
03-11 3218
参考：PR曲线和F1-score 评价指标相关 - 知乎 sklearn官方文档：Precision-Recall — scikit-learn 1.0.2 documentation 多标签设置中的PR曲线 查了好多文档，但依旧看得稀里糊涂。上面两个链接讲的非常清楚了，所以在这里记录一下。具体原理不多说，看上面链接就行，下面直接上代码： 一、数据说明： n_classes，标签类别总数 Y_test, 真实标签（one-hot形式，转换为n...
ROC曲线与AUC
热门推荐
ice110956的专栏
03-02 3万+
对于0,1两类分类问题,一些分类器得到的结果往往不是0,1这样的标签,如神经网络,得到诸如0.5,0,8这样的分类结果.这时,我们人为取一个阈值,比如0.4,那么小于0.4的为0类,大于等于0.4的为1类,可以得到一个分类结果。同样,这个阈值我们可以取0.1,0.2等等。取不同的阈值,得到的最后的分类情况也就不同。 阈值不同,可以得到不同的结果,但是由分类器决定的统计图始终是不变的。这时候就需要一个独立与阈值,只与分类器有关的评价指标,来衡量特定分类器的好坏。 还有在类不平衡的情况下,如正样本90个,负样本
PR曲线和F1、ROC曲线和AUC
teminusign的博客
07-21 2万+
最近阅读机器学习，在评估学习器的性能时，书中提到了P、R、F1值度量和ROC曲线和AUC值度量。P、R、F1 预测结果 正例 反例 真实情况 正例 TP（真正例） FN（假反例） 反例 FP（假正例）
P R F1 等性能度量（二分类、多分类）
marmalade要天天向上
05-01 6865
总结自《机器学习》周志华 2.3 目录 最常用的是查准率P（precision），查全率R（recall），F1 一、对于二分类问题 二、对于多分类问题 1.macro 2.micro 最常用的是查准率P（precision），查全率R（recall），F1 一、对于二分类问题 混淆矩阵（confusion matrix）： 预测结果 真实情况 ...
ROC曲线，PR曲线，F1值和AUC概念解释及举例说明
gslzszj的专栏
05-01 4098
1. ROC曲线和PR(Precision-Recall)曲线的联系 2. ROC曲线、PR曲线 3. 精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？
鸢尾花机器学习roc曲线
11-15
为了绘制鸢尾花机器学习的ROC曲线，需要进行以下步骤： 1. 加载数据集并进行数据预处理，将标签进行编码。 ```python from sklearn import datasets from sklearn.preprocessing import label_binarize from sklearn.model_selection import train_test_split from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt # 加载数据集 iris = datasets.load_iris() X = iris.data y = iris.target # 将标签进行编码 y = label_binarize(y, classes=[0, 1, 2]) n_classes = y.shape[1] ``` 2. 将数据集分为训练集和测试集，并进行模型训练和预测。 ```python # 将数据集分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=0) # 训练模型并进行预测 # 这里以SVM分类器为例 from sklearn.svm import SVC classifier = SVC(kernel='linear', probability=True, random_state=0) y_score = classifier.fit(X_train, y_train).decision_function(X_test) ``` 3. 计算ROC曲线的假正率（FPR）和真正率（TPR），并计算AUC值。 ```python # 计算ROC曲线的假正率（FPR）和真正率（TPR） fpr = dict() tpr = dict() roc_auc = dict() for i in range(n_classes): fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_score[:, i]) roc_auc[i] = auc(fpr[i], tpr[i]) # 计算微平均ROC曲线和AUC值 fpr["micro"], tpr["micro"], _ = roc_curve(y_test.ravel(), y_score.ravel()) roc_auc["micro"] = auc(fpr["micro"], tpr["micro"]) ``` 4. 绘制ROC曲线。 ```python # 绘制ROC曲线 plt.figure() lw = 2 plt.plot(fpr[2], tpr[2], color='darkorange', lw=lw, label='ROC curve (area = %0.2f)' % roc_auc[2]) plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic example') plt.legend(loc="lower right") plt.show() ```
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

打赏作者

雨果同学的编程之路

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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