PR曲线的概念和应用

最新推荐文章于 2023-10-23 22:45:44 发布

长得不丑的小林

最新推荐文章于 2023-10-23 22:45:44 发布

阅读量1k

点赞数

文章标签：人工智能

本文链接：https://blog.csdn.net/qq_60197466/article/details/127703264

版权

一.PR曲线的概念

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。

二.精准率和召回率

首先，我们了解一下混淆矩阵，如下表。

其中，把正例正确地分类为正例，表示为TP（true positive），把正例错误地分类为负例，表示为FN（false negative）。把负例正确地分类为负例，表示为TN（true negative），把负例错误地分类为正例，表示为FP（false positive）。
从混淆矩阵可以得出精准率与召回率：
precision = TP/(TP + FP)
recall = TP/(TP +FＮ)

三.PR曲线的功能说明

一条PR曲线要对应一个阈值（统计学的概率）。通过选择合适的阈值(比如K%)对样本进行合理的划分，概率大于K%的样本为正例，小于K%的样本为负例，样本分类完成后计算相应的精准率和召回率。

四.PR曲线代码实现

import numpy as np
from sklearn.metrics import precision_recall_curve
import matplotlib.pyplot as plt
y_true = np.array([0, 0, 1, 1, 0, 1, 0, 0, 1, 0, 1, 1])
y_scores = np.array([0.1, 0.09, 0.35, 0.8, 0.1, 0.4, 0.5, 0.2, 0.8, 0.9, 0.3,0.4])
precision, recall, thresholds = precision_recall_curve(y_true, y_scores) #计算精确率和召回率
plt.plot(recall, precision)
plt.show()