机器学习基础-PR\ROC\F1

最新推荐文章于 2024-04-23 05:45:30 发布
最新推荐文章于 2024-04-23 05:45:30 发布
阅读量436 收藏 2
点赞数 10
分类专栏： 机器学习 文章标签： 机器学习 人工智能
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_45906101/article/details/137990489
版权
本文介绍了ROC曲线和PC曲线的概念，强调了在正负样本不均衡情况下如何通过F1、精准率和召回率来评估模型性能，特别是在垃圾邮件检测等场景中，F1和PRC曲线的重要性。
摘要由CSDN通过智能技术生成

1

1 、ROC曲线

就是TPR 与FPR 曲线
在这里插入图片描述
在这里插入图片描述
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。
ROC曲线的面积就是AUC

2 、PC曲线

Recall其实就是TPR。
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。

在这里插入图片描述

3、F1

我们要平等的关注 精准率和召回率，所以有了F1
在这里插入图片描述

4 、正负样本不均衡时怎么选择

当正样本极少时，我们更需要关注的是 FP而不是FN。
比如垃圾邮件，正样本很少，我们希望的是每个垃圾邮件都被精准的挑选出来。
在这里插入图片描述
当负样本数很少时
我们更需要关注的是FN而不是FP，我们希望少的那一方都被正确的检测出来。
在这里插入图片描述
还有一种情况，如果当正样本很少时，且ROC对正负样本不均衡不敏感时，我们需要关注F1以及PRC曲线，比如下图，当ROC曲线 TPR为0.8，FPR为0.1时，我们关注器PRC曲线，其Recall为0.8时(Recall其实就是TPR），准确率只有0.05，此时我们就需要关注F1和PRC曲线了。
在这里插入图片描述
总结:
在这里插入图片描述

爱吃肉c
关注
专栏目录
【机器学习】PR曲线F1评分ROC曲线AUC
热情、奔放、快乐编程！
01-07 533
【机器学习】PR曲线F1评分ROC曲线AUC
机器学习理论之mAP 查全率 查准率 IoU ROC PR曲线 F1值
学习中
10-31 370
机器学习理论之mAP 查全率 查准率 IoU ROC PR曲线 F1值
机器学习分类问题指标评估内容详解（准确率、精准率、召回率、F1、ROC、AUC等）
Emins的博客
07-04 1万+
看懂机器学习指标：准确率、精准率、召回率、F1、ROC曲线、AUC曲线
机器学习：PR曲线及F1 score
weixin_45095281的博客
11-17 3792
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
精确率、召回率、F1 值、ROC、AUC等分类模型评价指标含义与作用详解
weixin_45459911的博客
03-30 1万+
文章目录摘要一、精确率、召回率、F函数、准确率和错误率1、定义2、区别与应用二、ROC曲线、P-R曲线、AUC1、P-R曲线2、ROC曲线3、AUC 摘要 在涉及机器学习领域的分类问题时（尤其是衡量推荐系统性能时），经常会遇到诸如准确率、召回率、ROC、AUC等名词。本文就来详细阐述一下各类评价指数的具体含义和特点。 一、精确率、召回率、F函数、准确率和错误率 1、定义 结合混淆矩阵进行说明 1...
【监督学习——分类算法及其评估指标：准确率、精确率、召回率、PR曲线和F1值】
m0_73801901的博客
03-08 2401
还是上面的例子：我们假设想要预测的目标是猫，那么在数据集中猫就是正样本（Positive），其他的数据就是负样本（Negative），接下来算法模型把猫预测为猫预测模型就是对的（True），模型算法把猫预测为其他预测结果就是错的（False）。举一个简单的例子：比如有一个动物图片的数据集，其中包含猫和狗，用这个数据集训练一个算法模型，当这个模型再“看到”一张猫或者狗的图片时，能做出一个预测来预测图片中的动物是猫还是狗，以达到分类的目的，这就是监督学习中分类算法的实现过程。监督学习的主要应用有回归和分类。
度量方法：PR & F1 & AUC
竹石破岩
03-07 1934
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-pr曲线，roc曲线
lildn的博客
03-27 318
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_w
机器学习中精准率/召回率/PR曲线/AUC-ROC曲线等概念
sinat_41928169的博客
04-25 2228
机器学习中的精确率召回率和PR曲线_GwentBoy的博客-CSDN博客_精确率和召回率曲线 预测类别 正 负 实际类别 正 真正例（TP） 假负例（FN） 负 假正例（FP） 真负例（TN） TP：被分类器预测为正类的正样本 TN：被分类器预测为负类的负样本 FP：被分类器预测为正类的负样本 FN：被分类器预测为负类的正样本 准确率：表示总样本中分类器正确分类的样本数量占比 公式：accuracy=(TP+TN)/(TP+TN+FP+F
Bobo老师机器学习笔记第九课-PR曲线和ROC曲线
夜深人静后的码农
12-10 720
在上篇文章中，我们已经概述了PR曲线。现在做个简单的回归 1、什么是PR曲线？  PR曲线是精准率（Precision）和召回率（Recall）的缩写， 精准率表示在预测的关注事件中，其中预测正确的有多少。  Precision = TP / (TP + FP) 召回率表示在实际的关注事件中，正确预测出来了有多少。 Recall = TP / (FN + TP) 然后以recall为...
Deep Learning中常见图、线的绘制 -- ROC、PR、箱线图、折线图、损失变化图
最新发布
2401_84046545的博客
04-23 883
font1 = {plt.show()二、折线图plt.show()三、箱型图plt.plot()plt.show()四、损失变化图绘制损失变化图需要使用Visdom，相关visdom库得内容可以参考Visdom。导入Visdom及相关工具包自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。深知大多数Java工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。
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）
【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...
F1score/P-R曲线/ROC曲线/AUC
qq_40415753的博客
10-25 5842
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...
准确率、精确率、召回率、f1、ROC曲线
Guiabbey的博客
05-07 1768
准确率、精确率、召回率、f1曲线、ROC曲线T(True)、F(False)、P(Positive)、N(Negative)一、准确率二、精确率（查准率）三、召回率（查全率）四、f1分数五、ROC曲线几种指标的区别：案例 T(True)、F(False)、P(Positive)、N(Negative) 一、准确率 acc = （TP+TN)/(TP+TN+FP+FN)，预测正确的结果占总样本的百...
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
分类模型评估体系：混淆矩阵、PR曲线、F1、Weighted F1、Micro F1、Macro F1、ROC&AUC、KS曲线、Lift曲线、GAIN曲线
data+scenario+science+insight
06-09 719
目录 混淆矩阵 一类错误+二类错误 查准率(precision)和查全率（recall） PR曲线 调和参数F1 权重化F1（weighted F1） 宏F1（macro F1） 微F1（micro F1） ROC & AUC KS曲线 Lift曲线 GAIN曲线 混淆矩阵 混淆矩阵是机器学习中总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。其中矩阵的行表示真实值，矩阵的列表示预测值。 一类错.
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 4132
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？
AUC、F1、PR、Precision、Recall等等计算
weixin_56314292的博客
09-11 403
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。
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