ROC AUC PRC 详细

最新推荐文章于 2024-04-16 16:53:19 发布
最新推荐文章于 2024-04-16 16:53:19 发布
阅读量1.8k 收藏 2
点赞数 2
分类专栏： 机器学习 笔试题
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/qq_20449731/article/details/54880690
版权
本文详细介绍了ROC（受试者工作特征曲线）、AUC（曲线下面积）和PRC（精确率-召回率曲线）的概念。ROC曲线通过真正率和假正率展示了模型性能，理想情况是TPR=1，FPR=0。AUC是ROC曲线下的面积，面积越大，模型越好。PRC则关注在不同召回率下的精确率，曲线越向右上角，效果越好。在正负样本比例悬殊时，PRC更能准确评估分类性能。
摘要由CSDN通过智能技术生成

ROC（receiver operating characteristic curve）

受试者工作特征曲线，下图
这里写图片描述

此图引入了假正率，和真正率。（感觉在读红楼梦）
TPR ：True Positive Rate（真正率 , TPR）或灵敏度（sensitivity）（就是前文的召回率R） 　　
TPR = TP /（TP + FN） 正样本预测结果数 / 正样本实际数

TNR ：True Negative Rate（真负率 , TNR）或特指度（specificity） 　　
TNR = TN /（TN + FP） 　　负样本预测结果数 / 负样本实际数

FPR ：False Positive Rate （假正率, FPR） 　　
FPR = FP /（FP + TN） 　　被预测为正的负样本结果数 /负样本实际数

FNR ：False Negative Rate（假负率 , F

最低0.47元/天 解锁文章
存储存储
关注
专栏目录
Tensorflow2.0：多分类评价指标 ROC、PRC 绘图、AUC 计算以及混淆矩阵绘制
cocofisher的博客
08-03 5872
文章目录项目准备python 代码1、导入需要的库2、建立 Dataset 测试集3、模型导入4、定义测试函数5、将多分类问题转化为单分类问题6、得到每个正例的置信度7、将上面两个函数结合起来8、将测试集输入模型进行测试9、定义 PRC 计算函数10、定义 ROC 计算函数11、计算图片标签和置信度12、计算精确率和召回率13、绘制 P-R 图14、计算 FPR 和 TPR15、绘制 ROC 图 项目准备 在绘图前，我们只需要有测试集以及训练好的网络模型（.h5 文件）即可。最终得到的图如下所示： py
【模型评估】混淆矩阵之 ROC-AUC曲线、PRC曲线
scxyz的博客
06-12 3455
ROC - AUC
roc与prc
lala_001的专栏
03-16 2338
1.准确率与召回率 数据集中 ： 正例 反例 你的预测 正例 ： A B 你的预测 反例 ： C D 准确率就是A/(A+B) 就是“你的预测中有多少是对的” 召回率就是A/(A+C) 就是“正例里你的预测对的覆盖了多少” A为被模型预测为正的正样本，真正（True Positive , TP）--预测正确 B为被模型预测为正的负样本，假正（False Positive , FP
PRC 和ROC
u010398562的博客
09-02 6234
一、指标定义 准确率：策略命中的所有相关订单/策略命中的所有订单 召回率：策略命中的所有相关订单/所有的相关订单（包括策略未被命中的） F1-score(F1-分数)：2×准确率×召回率/（准确率+召回率），是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。（详细介绍见下） ROC:ROC曲线的横坐标为false positive rate（FPR,假正率），纵坐标为true
理解 ROC 和 PRC
莫彩的博客
11-24 1456
前两天看到了一篇关于 ROC 的推送文章，突然发现这块上学时的知识已经逐渐开始忘却了，顺便复习一下这部分知识顺手记录下来。
ROC曲线 vs Precision-Recall曲线
ytusdc的博客
07-30 2071
参考1：https://www.cnblogs.com/JesusAlone/p/9762352.html 参考2：https://www.pianshen.com/article/8810789641/ ROC曲线和AUC的定义可以参看“ROC曲线于AUC”，Precision-Recall曲线顾名思义即Precision为纵轴，Recall为横轴的曲线，作图方法与AUC曲线一致，只是横纵轴坐标意义不同。 ROC曲线 vs PR曲线——ROC曲线的优势 　　相比P-R曲线，ROC曲线有个很好的特性
机器学习评价指标：accuracy、precision、recall、F1-score、ROC-AUC、PRC-AUC
qq_33031419的博客
05-18 387
参考： 对accuracy、precision、recall、F1-score、ROC-AUC、PRC-AUC的一些理解 机器学习常见评价指标：AUC、Precision、Recall、F-measure、Accuracy_zhihua_oba的博客-CSDN博客_precision 评价指标【笔记】几个常见评价指标：Accuracy、Precision、Recall、F-measure和ROC曲线_Anaconda_的博客-CSDN博客_accuracy曲线机器学习：python绘制P-R曲线与ROC
曲线绘制_roc_ROC曲线绘制_PRC_auc曲线绘制_
10-03
roc，prc，auc曲线绘制，帮助解决二分类问题的图像绘制处理
prc曲线 sklearn_机器学习性能指标精确率、召回率、F1值、ROC、PRC与AUC--周振洋
weixin_31293841的博客
02-28 937
精确率、召回率、F1、AUC和ROC曲线都是评价模型好坏的指标,那么它们之间有什么不同，又有什么联系呢。下面让我们分别来看一下这几个指标分别是什么意思。针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况.(1)若一个实例是正类并且被预测为正类，即为真正类(True Postive TP)(2)若一个实例是正类，但是被预测成为负类，即为...
分类模型评估之ROC-AUC曲线和PRC曲线
热门推荐
皮皮blog
06-30 9万+
http://blog.csdn.net/pipisorry/article/details/51788927 ROC曲线和AUC ROC（Receiver Operating Characteristic，接受者工作特征曲线）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。博文介绍ROC和AUC的特点，讨论如何作出ROC曲线图以及计算AUC。 AUC是现...
PRC曲线
猪逻辑公园
05-08 1921
作者：金戈戈链接：https://www.zhihu.com/question/30643044/answer/48955833来源：知乎precision recall curve。和ROC一样，先看平滑不平滑（蓝线明显好些），在看谁上谁下（同一测试集上），一般来说，上面的比下面的好（绿线比红线好）。F1（计算公式略）当P和R接近就也越大，一般会画连接(0,0)和(1,1)的线，线和PRC重合的...
ROC、AUC、Recall、Precision、Accuracy、F1、PRC 是什么？
OOC_ZC的博客
05-03 5061
这些都是评价分类器性能的指标。 二分类问题为例： 图片来自网络 Accuracy(准确率)： (TP + TN) / (TP + TN + FN + FP) 准确率指标的问题在于如果问题为偏斜类(Skewed classes)，比如真实值中正反比例为 99:1，那预测值无脑预测均为正值，准确率就可达99%，而反例则一个也预测不出来，显然是不可理的。 由此有了Precision(精确率...
ROC曲线与PR曲线
abc200941410128的博客
07-22 4782
之前一直知道怎么看ROC，没有过深理解相关概念（真阳假阳等）最近重新细看ROC和PR发现很多资料把这些概念搞得乱七八糟的，所以围绕ROC和PR阐述一下，并且比较两者在评价模型时的优劣。 一、概念介绍 1、混淆矩阵 2、重要概念 真正率(True Positive Rate, TPR)，又名灵敏度(Sensitivity)：分类正确的正样本个数占整个正样本个数的比例，即：TPR=TP
模型评估标准AUC（area under the curve）、Precision、Recall、PRC、F1-score
qq_31965863的博客
10-14 5730
AUC值 AUC（area under the curve）由分类输出/结果得到的一个值，衡量分类效果。根据字面意思是曲线下面积，是一个范围在0和1之间的值，曲线下面积AUC是指ROC曲线下面积。AUC直观地反映了ROC曲线表达的分类能力（AUC ＝ 1，代表完美分类器，0.5 < AUC < 1，优于随机分类器，0 < AUC < 0.5，差于随机分类器）。 ROC曲...
【分类模型评估】ROC-AUC曲线和PRC曲线
weixin_43282858的博客
08-21 570
AUC计算方法总结 【ROC曲线】关于ROC曲线、PR曲线对于不平衡样本的不敏感性分析说引发的思考
机器学习————模型评估
最新发布
KIng_TE_L的博客
04-16 1350
PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。在ROC曲线中，设置不同的阈值，会得到不同的TPR和FPR，而随着阈值的逐渐减小，越来越多的实例被划分为正类，但是这些正类中同样也掺杂着负类，即TPR和FPR会同时增大。阈值最大时，所有的正样本预测为负样本，所有的负样本也预测为负样本，即分子都为0，所以FPR = 0, TPR = 0 ，对应坐标点为（0,0）。
机器学习（一）PR曲线和ROC曲线
weixin_52833736的博客
10-17 1458
P-R曲线和ROC曲线
ROC曲线、PRC曲线
klzhang的专栏
04-13 1万+
转载自　http://www.zhizhihu.com/html/y2012/4076.html（大牛） 分类、检索中的评价指标很多，Precision、Recall、Accuracy、F1、ROC、PR Curve...... 一、历史 wiki上说，ROC曲线最先在二战中分析雷达信号，用来检测敌军。诱因是珍珠港事件；由于比较有用，慢慢用到了心理学、医学中的一些检测等应用，慢慢
ROC AUC得分的python代码
10-25
以下是计算ROC曲线和AUC得分的Python代码： ``` import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, auc # y_true为真实标签，y_score为预测得分 fpr, tpr, thresholds = roc_curve(y_true, y_score) roc_auc = auc(fpr, tpr) # 画ROC曲线 plt.figure() plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], color='navy', lw=2, 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') plt.legend(loc="lower right") plt.show() ``` 其中，y_true为真实标签，y_score为预测得分。fpr和tpr分别为ROC曲线上的横纵坐标，thresholds为阈值。roc_auc为AUC得分。
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