机器学习01-详细阐述Auc,Roc

最新推荐文章于 2024-05-30 17:38:08 发布
最新推荐文章于 2024-05-30 17:38:08 发布
阅读量405 收藏
点赞数
文章标签： 机器学习 auc
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_31766023/article/details/112484724
版权
本文详细介绍了机器学习中AUC和ROC曲线的概念。从二分类问题的混淆矩阵出发，讨论了准确率、精准率和召回率的区别，并延伸到多分类问题。通过举例说明了ROC曲线的绘制过程及其在选择最佳阈值中的作用。真正例率（TPR，召回率）和假正例率（FPR）作为ROC曲线的坐标，展示了模型的性能。AUC作为ROC曲线下的面积，用于比较不同模型的优劣。最后，文章通过实例比较了线性回归和随机森林模型的预测效果，强调了AUC在评估模型性能中的重要性。
摘要由CSDN通过智能技术生成

混淆矩阵中准确率，精准率，召回率区别https://blog.csdn.net/abc_xian/article/details/106908517

刚才分析的是二分类问题，那么对于多分类问题，混淆矩阵表示的含义也基本相同，这里我们以三类问题为例，看看如何根据混淆矩阵计算各指标值。

多分类混淆矩阵

与二分类混淆矩阵一样，矩阵行数据相加是真实值类别数，列数据相加是分类后的类别数，那么相应的就有以下计算公式;

精确率_类别1=a/(a+d+g)召回率_类别1=a/(a+b+c)

 

 

假设下图红色为预测为正样本 蓝色为负样本，虚线下的是正样本，向上的是负样本，虚线设置在不同的高度即有不同的情况，如设置在最高1处，则预测全为正样本，设置不同的阀值对应不同的混淆矩阵，不同的混淆矩阵又可以进一步判断该模型下当前阀值的准确率，精准率，召回率。从而根据需要选择最适合的阀值。但由于0到1可以取无限的数值，因此阀值也是无限的，这样不利于我们判断哪个阀值才是最合适的，因此就有了ROC曲线

 

最低0.47元/天 解锁文章
嗨皮啤铍啵
关注
F1 Score详解 查准率较高 召回率较低怎末处理？
08-29 7549
https://blog.csdn.net/zjn295771349/article/details/84961596
【机器学习】了解 AUC - ROC 曲线
gongdiwudu的专栏
07-16 3万+
在机器学习中，性能测量是一项基本任务。因此，当涉及到分类问题时，我们可以依靠AUC - ROC曲线。
AUC越大，正确率就越高？
LegenDavid's warehouse
01-15 3万+
问题   近日，一位朋友拿着两个模型预测效果比较的结果来咨询，当然是遇到了一个好像不太正常的现象才来咨询的。两个模型都是二分类结局的，应用常见的Logistic回归模型得到结果如下：模型A的正确率为85%，AUC为0.98；模型B的正确率为93%，AUC为0.92。那么选择哪个模型呢？ 很多朋友首先应该会质疑方法使用的正确性，不过出现这个问题的可能性很小，我们假设方法是正确
召回：效果评估
皮皮blog
04-24 1026
通过该计算方法，就能算出来某一路召回的recall@ k了。
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC
热门推荐
架构和代码
07-06 5万+
在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式:             召回率(Recall)      =  系统检索到的相关文件 /
roc曲线 vs pr曲线（AUC vs f1）
ml_hhy的博客
12-26 2920
一直不理解auc值与F1值的应用场景，什么情况下使用哪种指标可以更好观察模型表现 之前的理解是觉得使用f1值（即采用召回率和精确率）来评价模型会更好。 因为召回率和精确率更直观，可以使业务方对模型的预测效果有较准确预期 但roc其实更应该更多使用 接下来本篇会将roc曲线与pr曲线做对比，并且介绍auc的应用场景 ROC曲线 vs PR曲线 相比P-R曲线，ROC曲线有一个特点，当正负样本的分布发...
为什么Precision高Recall就低——F1 score
未名方略
04-16 1万+
F-score
机器学习--ROC，AUC
weixin_46361294的博客
04-07 2404
ROC曲线的意义 （1）ROC曲线能很容易的查出任意阈值对学习器的泛化性能影响 （2）有助于选择最佳的阈值。ROC曲线越靠近左上角，模型的准确性就越高。最靠近左上角的ROC曲线上的点是分类错误最少的最好阈值，其假正例和假反例总数最少 （3）可以对不同的学习器比较性能。将各个学习器的ROC曲线绘制到同一坐标中，直观地鉴别优劣，靠近左上角的ROC曲所代表的学习器准确性最高 该方法简单、直观、通过图示可观察分析学习器的准确性，并可用肉眼作出判断。ROC曲线将真正例率和假正例率以图示方法结合在一起，可准确反映某种.
机器学习篇-指标:AUC
fanfangyu的博客
02-11 2万+
AUC是什么东西？ AUC是一个模型评价指标，只能够用于二分类模型的评价，对于二分类模型来说还有很多其他的评价指标： 比如：logloss，accuracy，precision 在上述的评价指标当中，数据挖掘类比赛中，AUC和logloss是比较常见的模型评价指标 那么问题来了||ヽ(￣▽￣)ノミ|Ю为啥是AUC和logloss? 因为很多机器学习的模型对分类问题的预测结果都是概率，如果要计算accuracy的话，需要先将概率转换成类别，这就需要手动设置一个阈值，如果对一个样本的预测概率高于这个预测，就把这
机器学习基础算法11-Logistic回归-ROC和AUC分类模型评估-实例
柳杰的博客
08-01 6215
文章目录一、模型评估介绍1.分类模型评估2.回归模型评估二、ROC和AUC1.理论知识2. ROC曲线分析3.TPR与FPR的计算过程三、实例1.实例12.实例23.实例3-鸢尾花数据集 一、模型评估介绍 1.分类模型评估 2.回归模型评估 二、ROC和AUC 1.理论知识 AUC概念理解： https://www.zhihu.com/question/39840928?from=profile_question_card ROC全称是“受试者工作特征”（Receiver Operating Chara
PR曲线，ROC曲线，AUC指标等，Accuracy vs Precision
weixin_34102807的博客
01-05 206
作为机器学习重要的评价指标，标题中的三个内容，在下面读书笔记里面都有讲： http://www.cnblogs.com/charlesblc/p/6188562.html   但是讲的不细，不太懂。今天又理解了一下。看了这篇文章： https://www.douban.com/note/247271147/?type=like 讲的很好。   都是基于这张图，先贴一下：   PR   Prec...
AUC到底是什么？
JustForFun的博客
06-21 4万+
前言 上一篇单值AUC计算优化里，提到了AUC，AUC的全名是Area Under Curve，就是ROC曲线下的面积，上一篇文中提到了AUC是评估模型整体排序能力的，但是具体是什么没有进行展开介绍，考虑到可能很多人对这么个玩意都不是那么理解，因为网上大部分都是从ROC怎么画，AUC怎么算，AUC代表什么，但是为什么代表这些含义却都没有提到，所以这次就专门写了一篇来介绍什么是AUC。 ROC 首先...
关于调节样本提升随机森林预测模型准确度和正样本召回率的实例对比
最新发布
weixin_44904675的博客
05-30 364
第2次：S19手工调样，正样本不变379条（占比上升到40%），负样本减少到570条（60%），模型选择=随机森林，准确度0.9064，大幅度提升；第1次：S19全量——正样本379条（15%），负样本2188条（85%）模型选择=随机森林，准确度0.5894，下降明显；第3次：S19模型过采，正样本提升到2188条，负样本保持2188条。关于调节样本提升随机森林预测模型准确度和正样本召回率的实例对比。模型选择=随机森林，准确度0.8658；
ROC/AUC、准确率、精确率、召回率、F1值
gqrblnp的博客
10-27 458
ROC/AUC、准确率、精确率、召回率、F1值
ROC和AUC,其实真的那么简单，需要的只是你的一点点耐心！
weixin_42608414的博客
03-09 6207
“天才的定义——能将复杂变成简单的人”-爱因斯坦 ROC和AUC曲线是用于计算任何分类模型性能的重要评估指标。 这些定义和术语在机器学习社区中非常常见，当我们开始学习分类模型时，我们每个人都会遇到这些定义和术语。 然而，大多数时候，他们并没有被完全理解或被误解，不了解它们的本质,使得我们无法真正的利用它们。 好了，让我们一点点揭开ROC和AUC的神秘面纱,它们将不再神秘,需要的只是您阅读本文的一...
利用随机森林、GBDT、xgboost、LightGBM计算准确率和auc
weixin_41710583的博客
12-11 1万+
综合Forest,GBDT,XGBoot,lightgbm几种算法得出的准确率和auc值,GBDT的score:0.8623384430417794,auc：0.7633094425839567的效果最好.
机器学习中准确率、精确率、召回率、误报率、漏报率、F1-Score、AP&mAP、AUC、MAE、MAPE、MSE、RMSE、R-Squared等指标的定义和说明
liveshow021_jxb的博客
12-26 2万+
在机器学习和深度学习用于异常检测（Anomaly detection）、电子商务（E-commerce）、信息检索（Information retrieval, IR）等领域任务（Task）中，有很多的指标来判断机器学习和深度学习效果的好坏。这些指标有相互权衡的，有相互背向的，所以往往需要根据实际的任务和场景来选择衡量指标。本篇博文对这些指标进行一个梳理。
机器学习算法详解：ROC与AUC理解及应用
"ROC曲线和AUC-c是机器学习模型评估中的重要指标，尤其在分类问题中。本文将探讨这两个概念，并结合笔试和面试题目进行解答。" 在机器学习领域，模型的选择和评估至关重要，其中ROC曲线（Receiver Operating ...
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