关于P-R曲线和Roc曲线的那些事

最新推荐文章于 2023-10-23 21:20:55 发布
最新推荐文章于 2023-10-23 21:20:55 发布
阅读量181 收藏
点赞数
文章标签： r语言 人工智能 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/m0_61948412/article/details/133993062
版权

        P-R曲线（Precision-Recall Curve）和ROC曲线（Receiver Operating Characteristic Curve）是用于评估分类模型性能的常见工具。它们可以帮助我们理解模型的准确性、召回率以及在不同阈值下的表现情况。

1.P-R曲线（Precision-Recall Curve）

P-R曲线展示了准确率（Precision）和召回率（Recall）之间的关系。准确率指的是模型判定为正例的样本中，实际上是正例的比例；召回率是指模型能够正确判定为正例的样本所占的比例。

在计算P-R曲线时，我们需要对模型设置一个阈值，将样本分类为正例和负例。然后，我们可以根据不同的阈值计算出不同的准确率和召回率，并在坐标系中描绘出这些点，最后连接成曲线。

具体步骤如下：

Step 1：通过模型预测得到每个样本属于正例的概率分数

Step 2：根据不同的阈值，将样本分类为正例和负例

Step 3：根据当前阈值下的分类结果，计算准确率和召回率

Step 4：对于每一个不同的阈值，将其对应的准确率和召回率作为一个点在坐标系中描绘出来

Step 5：连接这些点，得到P-R曲线

最低0.47元/天 解锁文章
INFANHHH
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
模型评估指标：P-R曲线和ROC曲线
海涛技术漫谈
03-19 1万+
在机器学习建模中，模型评估指标用于评估不同模型的优劣。 在分类任务中，最简单的评估指标莫过于错误率和精度了，错误率表示的是错误分类的样本个数占总样本个数的比例，精度则是1减去错误率。 错误率和精度的优点是：它们不仅仅适用于二分类问题，也同样适用于多分类问题。 但是单单看错误率和精度两个指标无法很好的对模型进行合适的评估。一方面，现在不少的模型最终都是预测一个类别的概率值，为了计算错误率和精度...
机器学习：关于P-R曲线和Roc曲线
qq_53866837的博客
11-05 5447
浅聊P-R曲线和Roc曲线
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 3262
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。
模型评估：P-R曲线和ROC曲线
Fluoriteye的博客
10-23 742
P-R曲线和ROC曲线是用于评估二分类模型性能的工具。P-R曲线展示了查准率和召回率之间的关系，而ROC曲线展示了假正率和真正率之间的关系。P-R曲线适用于不平衡数据集，关注平衡查准率和召回率，而ROC曲线适用于评估整体分类性能。两条曲线都能帮助选择合适的分类阈值和比较模型性能。在多类别问题中需要进行适当转换或扩展。选择适合任务需求的评估指标和曲线是重要的。
[人工智能导论] 笔记 part4 Model Evaluation and Selection
qq_51533157的博客
10-13 393
名词解释：Empirical Error: 经验误差，又叫训练误差 training error ，模型在上的误差。Overfitting 过拟合误差，模型在新样本集（测试集）上的误差称为“泛化误差”）.我们老师在课堂上，为“”•High bias and low variance （高偏差和低方差）•The size of the training dataset used is not enough.（训练集不充分）
利用鸢尾花数据集画出P-R曲线 python
03-18
#演示目的：利用鸢尾花数据集画出P-R曲线 """ print(__doc__) import matplotlib.pyplot as plt import numpy as np from sklearn import svm, datasets from sklearn.metrics import precision_recall_...
pr_matlab_P-Rcurve_
10-01
这条曲线可以帮助我们全面了解算法在不同召回率下的精度表现，特别是在数据不平衡的情况下，PR曲线比常见的ROC曲线更能体现分类器的性能。 在MATLAB中实现PR曲线的步骤大致如下： 1. **数据准备**：收集处理后的...
鸢尾花数据的可视化，并使用Sklearn训练svm和lr模型并绘制出各自的ROC与P-R曲线.zip
最新发布
04-02
在机器学习领域中，“鸢尾花”是指一个经典的多类分类问题的数据集，称为“Iris dataset”或“安德森鸢尾花卉数据集”。该数据集最早由英国统计学家兼生物学家罗纳德·费雪（Ronald Fisher）于1936年收集并整理发表...
yolov5无人机目标检测训练权重结果和曲线图 pytorch-yolov5-master-drone.zip
11-28
yolov5无人机目标检测训练权重,附代码和测试视屏，代码为yolov5版本五，训练的 模型为yolov5s、m、l三个模型，目标类别名为drone,用于检测空中旋翼无人机，训练好的权重和曲线图保存载runs/train文件夹中，有需要的...
逻辑回归临床预测模型lasso回归变量筛选roc曲线定制Delong检验
10-10
总的来说，"逻辑回归临床预测模型lasso回归变量筛选roc曲线定制Delong检验"这一主题涵盖了构建高效临床预测模型的关键步骤：从利用LASSO进行变量选择，优化模型结构，到绘制ROC曲线评估模型性能，以及通过Delong检验...
P-R曲线是什么
pythondby的博客
12-12 4037
在分类时，我们经常需要对学习模型的预测结果进行排序，排在前面的被认为“最可能”是正类样本，排在后面的被认为“最不可能”是正类样本。因此我们往往要在中间设定一个临界值（Threshold），当预测值大于这个临界值时，样本为正类样本，反之为负类样本。 按不同的临界值，将每个样本作为正类样本来预测，就会得到不同的查准率和查全率。如果以查准率为纵轴，以查全率为横轴，那么每设定一个临界值，就可以在坐标系上画出一个点。当设定多个临界值时，就可以在坐标系中画出一条曲线。这条曲线便是 P-R 曲线，如图 1 所示。
机器学习笔记（一）P-R曲线与ROC曲线
Shonllow的博客
10-29 1398
要知道什么是P-R曲线，首先，我们要先了解P和R分别代表什么意思。“P”是“precision”，代表准确率。“R”是“recall”，代表召回率。而要计算准确率和召回率，我们要先了解一下混淆矩阵。↓↓↓实际 \ 预测负正负TNFP正FNTPTP（true positive）:实际为正例，预测为正例；FN（false negative）：实际为正例，预测为负例；TN（true negative）：实际为负例，预测为负例；
机器学习——模型评估与P-R曲线
diosamaehjs的博客
10-23 275
在机器学习中，通常有多种学习算法可选择。而选择哪一个算法、使用哪一种参数配置就是机器学习中的模型选择问题。模型选择本质上是选择出泛化误差小的模型而泛化误差需要用到一系列的实验评估方法获得某种性能度量指标。性能度量是机器学习中非常重要的概念之一。这是因为性能度量本质是衡量模型泛化能力好坏的标准，反映了任务需求。
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。
P-R曲线深入理解
热门推荐
keep forward, go, go, go
04-19 10万+
P-R曲线就是精确率precision vs 召回率recall 曲线，以recall作为横坐标轴，precision作为纵坐标轴。首先解释一下精确率和召回率。解释精确率和召回率之前，先来看下混淆矩阵，负 正负TNFP正FNTP把正例正确分类为正例，表示为TP（true positive），把正例错误分类为负例，表示为FN（false negative），把负例正确分类为负例...
P-R曲线
petSym的博客
03-06 1231
https://blog.csdn.net/u014203453/article/details/77598997 信息检索中，我们经常会关系“检索出的信息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”，用精度和错误率就描述出来了，这就需要引入准确率（precision，亦称查准率）和召回率（recall，亦称查全率）。 一般来说，我们希望上述两个指标都是越高越好，然...
P-R曲线和ROC曲线
cv小学dl三年级
01-24 424
1 基本概念 1.1 混淆矩阵 混淆矩阵又称错误矩阵，指每个类别下，模型预测结果的类别和数量在一个矩阵中展示出来。 1.2 二元混淆矩阵 TP : True Positive 真阳 FN : False Negative 假阴 FP : False Positive 假阳 TN : True Negative 真阴 真实标签 预测为正...
深度探讨机器学习中的ROC和PR曲线
yqtao的博客
01-13 4万+
引言\quad 在 21 Must-Know Data Science Interview Questions and Answers 的文章中，有这类似这样的问题，它问的是Explain what precision and recall are. How do they relate to the ROC curve?关于这个问题其实有许多需要回答的，不仅仅是他们的表现形式不同，同时它涉及到下机
P-R曲线绘制的详细例子
qq_41598247的博客
06-29 4001
P-R曲线绘制的详细例子 P-R曲线绘制详细例子 P-R曲线可用来度量一个机器学习器的优劣，了解P-R曲线的绘制过程，对理解查全率和查准率非常有帮助。这里举一个简单的例子，手动绘制P-R曲线，例子选取了21个训练样本，样本如下： (1,0.785753721910176) (1,0.356605631195716) (1,0.293302128059673) (1,0.664535310077594) (1,0.32345789365851) (1,0.069257919860597) (0,0.86868
基于鸢尾花数据集，计算并绘制 LR 及 SVM 模型的 P-R 曲线及 ROC 曲线
03-21
好的，这是一个机器学习的问题，我可以回答。首先，我们需要加载鸢尾花数据集，并将其分为训练集和测试集。然后，我们可以使用逻辑回归（LR）和支持向量机（SVM）算法来训练模型，并计算它们的 P-R 曲线和 ROC 曲线。最后，我们可以使用 matplotlib 库绘制这些曲线。以下是 Python 代码示例： ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.svm import SVC from sklearn.metrics import precision_recall_curve, roc_curve, auc import matplotlib.pyplot as plt # 加载鸢尾花数据集 iris = load_iris() X, y = iris.data, iris.target # 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=0.3, random_state=42) # 训练逻辑回归模型 lr = LogisticRegression() lr.fit(X_train, y_train) # 计算逻辑回归模型的 P-R 曲线 lr_probs = lr.predict_proba(X_test)[:, 1] lr_precision, lr_recall, _ = precision_recall_curve(y_test, lr_probs) lr_auc = auc(lr_recall, lr_precision) # 计算逻辑回归模型的 ROC 曲线 lr_fpr, lr_tpr, _ = roc_curve(y_test, lr_probs) lr_roc_auc = auc(lr_fpr, lr_tpr) # 训练支持向量机模型 svm = SVC(probability=True) svm.fit(X_train, y_train) # 计算支持向量机模型的 P-R 曲线 svm_probs = svm.predict_proba(X_test)[:, 1] svm_precision, svm_recall, _ = precision_recall_curve(y_test, svm_probs) svm_auc = auc(svm_recall, svm_precision) # 计算支持向量机模型的 ROC 曲线 svm_fpr, svm_tpr, _ = roc_curve(y_test, svm_probs) svm_roc_auc = auc(svm_fpr, svm_tpr) # 绘制 P-R 曲线 plt.plot(lr_recall, lr_precision, label='LR (AUC = %0.2f)' % lr_auc) plt.plot(svm_recall, svm_precision, label='SVM (AUC = %0.2f)' % svm_auc) plt.xlabel('Recall') plt.ylabel('Precision') plt.legend() # 绘制 ROC 曲线 plt.figure() plt.plot(lr_fpr, lr_tpr, label='LR (AUC = %0.2f)' % lr_roc_auc) plt.plot(svm_fpr, svm_tpr, label='SVM (AUC = %0.2f)' % svm_roc_auc) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.legend() plt.show() ``` 希望这个回答能够帮助你！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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