机器学习中绘制（多标签）PR曲线和F1-score【转载】

已于 2022-03-14 10:43:52 修改
阅读量3.2k 收藏 24
点赞数 2
分类专栏： 机器学习 文章标签： sklearn 机器学习 python tensorflow
于 2022-03-11 20:09:42 首次发布
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/rzxxdxka/article/details/123426263
版权
本文介绍了如何在多标签场景下绘制PR曲线和计算F1-score，通过sklearn库实现。文章详细展示了数据说明、代码步骤及结果分析，帮助读者理解并实践相关评价指标。
摘要由CSDN通过智能技术生成

参考：PR曲线和F1-score 评价指标相关 - 知乎
sklearn官方文档：Precision-Recall — scikit-learn 1.0.2 documentation
 

多标签设置中的PR曲线

        查了好多文档，但依旧看得稀里糊涂。上面两个链接讲的非常清楚了，所以在这里记录一下。具体原理不多说，看上面链接就行，下面直接上代码：

一、数据说明：

        n_classes，标签类别总数

        Y_test, 真实标签（one-hot形式，转换为nudarry格式）

        y_score，预测结果得分（转换为nudarry格式）

二、导入：

import numpy as np
from sklearn.metrics import precision_recall_curve,average_precision_sco
最低0.47元/天 解锁文章
认真学习的小可爱
关注
  • 2
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
sklearn 绘制roc曲线_评价分类结果（下）:F1 Score、ROC、AUC
weixin_39929715的博客
12-30 576
0x01 F1 Score 1.1 更关注哪个？精准率(查准率)：预测值为1，且预测对了的比例，即：我们关注的那个事件，预测的有多准。召回率(查全率)：所有真实值为1的数据中，预测对了的个数，即：我们关注的那个事件真实的发生情况下，我们成功预测的比例是多少。有的时候，对于一个算法而言，精准率高一些，召回率低一些；或者召回率高一些，精准率低一些。那么如何取舍呢？其实在衡量机器学习的其他指标...
【YOLO系列PR、F1绘图】更改v5、v7、v8（附v8训练、验证方式），实现调用val.py或者test.py后生成pr.csv，然后再整合绘制到一张图上（使用matplotlib绘制）
热门推荐
孟孟单单的博客
04-24 1万+
值给提出来，所以绘图就比较潦草，直接用的matplotlib画的，如果要用于论文中的绘图，一般使用。（作用都是一样的，都是用已训练好权重对测试集进行验证，然后打印出一系列指标）（PR、F1的表格长得差不多，就是数据内容不同，表头相同，行数相同）（注意：本代码最重要的作用是将验证时得到的一系列。，即可运行得到整合图（可见博客最上面的效果图）的时候把F1值给提出来，所以我在下图代码中。，不是的话运行之后就不会生成。中做与YOLOv7同样的更改。中做与YOLOv7同样的更改。得到v7、v5、v8验证后的。
科研作图-Accuracy,F1-score,Precision,Sensitive,混淆矩阵
kksimida的博客
01-25 2430
多分类绘制ROC,PR曲线
LX_Xsc的博客
05-29 1062
def PR(y_test, pred_y): # pred # pred_y 为softmax # 转为标签 preds_t = np.array(pred_y).argmax(axis=1) a = np.array(pred_y) a = np.around(a, 3) thresholds = set(a.reshape(-1)) thresholds = sorted(thresholds) # 记录所有得分情况，并去重从小到大排序，寻找.
F1 Score auc 曲线
qq_32450111的博客
03-13 736
机器学习：PR曲线及F1 score
weixin_45095281的博客
11-17 3736
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
机器学习中的性能指标：精度、召回率，PR曲线，ROC曲线和AUC，及示例代码
weixin_44336181的博客
04-03 3479
机器学习中的性能指标：精度、召回率、PR曲线，ROC曲线和AUC精度、召回率基本概念F-Score度量曲线PR曲线使用[scikit-learn官方代码](https://scikit-learn.org/stable/auto_examples/model_selection/plot_precision_recall.html#sphx-glr-auto-examples-model-selection-plot-precision-recall-py)示例：ROC曲线PR曲线和ROC曲线的比较AUC
机器学习指标(Precision、Recall、mAP、F1 Score等)
林学森的技术专栏
04-26 4651
以下文章摘录自： 《机器学习观止——核心原理与实践》 京东：https://item.jd.com/13166960.html 当当：http://product.dangdang.com/29218274.html (由于博客系统问题，部分公式、图片和格式有可能存在显示问题，请参阅原书了解详情) ———————————————— 版权声明：本文为CSDN博主「林学森」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.cs.
Seaborn - 绘制多标签的混淆矩阵、召回、精准、F1
Mystra
07-15 1144
Seaborn-绘制多标签的混淆矩阵、召回、精准、F1。
机器学习基础概念：查准率、查全率、ROC、混淆矩阵、F1-Score 机器学习实战：分类器
A981012的博客
04-28 2078
机器学习：基础概念查准率、查全率F1-Score、ROC、混淆矩阵机器学习实战：分类器 查准率、查全率 对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例TP、假正例FP、真反例TN、假反例FN四种，令TP、FP、TN、FN分别表示其对应的样例数，则显然有TP+FP+TN+FN=样例总数，分类结果的“混淆矩阵”为： 查准率P： p=TPTP+FP p=\frac{TP}{TP...
roc曲线怎么绘制_文本分类任务的常用评价指标：Accuracy/Recall/Precision/F1/ROC/AUC
weixin_39805180的博客
11-26 736
声明：本帖子专为个人面试所写，本身只是为了加深自己的记忆，写完想着分享出来万一有人也需要呢。所以内容较浅，也比较基础，欢迎大佬们批评指正！一. 准确率（Accuracy）：什么是：分类问题中最基本的评价指标，正确分类样本所占的比列，即正确分类的测试样本/全部测试样本优点：计算简单，易于理解/即可以用于二分类，也可以用于多分类缺点：当数据不均衡时，无法很好的衡量分类器的好坏二. 精确率（Precis...
二分类评估指标（F1-score，AUC（ROC曲线））
qq_40925385的博客
03-03 8424
评估基础介绍 -------对于二分类问题，可将样例根据其真实类别与学习器（分类器）预测的类别的组合划分为 真正例（true positive），假正例（false positive），真反例（true negative），假反例（false negative） 四种情况，令TP,FP,TN,FN分别表示其对应的样例数。 TP + FP + TN +FN = 样例总数 混淆矩阵(confusion...
用三维图像带你深入了解机器学习的f1
caoyuan666的博客
05-25 1360
对于机器学习的评价指标，你还记得多少？准确率，精确率，召回率？那你还记得f1吗？是不是有点陌生了？ 1、基础指标 首先定义以下几个概念： TP（True Positive）：预测答案正确 FP（False Positive）：错将其他类预测为本类 FN（False Negative）：本类标签预测为其他类标签 TN（True Negative）：其他类标签预测为本类标签 准确率 Accuracy 定义：(TP+TN)/(TP+FN+FP+TN) 即所有分类正确的样本占全部样本的比例 精确率 P.
多条Precision-Recall（PR）曲线绘制（PR曲线）含python代码
jinzi_a的博客
12-17 1万+
多条Precision-Recall（PR）曲线绘制（PR曲线）含python代码
使用keras内置函数获取F1值，并绘制F1统计图。
最新发布
qq_34538399的博客
12-07 726
从模型返回信息中的histroy获取F1值,包含训练集"f1_score"和测试集中的"f1_score"，注意是返回的每一代的f1。x2.append(sum(y2[i])/len(y2)) #x2为list列表，存储训练集f1。x.append(sum(y[i])/len(y)) #x为list列表，存储测试集f1。通常把模型赋值给history，这样history就包含看了我们想要的各种信息，包含f1.f。在老版本的keras值没有内置函数来获得f1值，需要自己写一堆来实现该功能。
算法评价指标recall、precision、F1 score介绍及PR曲线代码分析
cc__cc__的博客
04-27 4253
一、算法评价指标介绍 真实值（↓）\\ 预测值（→） Positive Negative Positive True Positive（TP） False Negative（FN） Negative False Positive（FP） True Negative（TN） TP：表示将正类预测为正类的数目 FN：表示将正类预测为负类的数目 ……其余同理，【一致判真假(T/...
机器学习基础——彻底搞懂Precision\Recall\F1\P-R\ROC
小小顺利的博客
03-15 2181
一直以为自己理解这些概念，但是其实只是听说过而已。这些概念的释义来自于周志华教授的《机器学习》，都属于对机器学习算法的性能度量。 一、错误率与精度 还是使用书上的定义写的明确，test set中所有样本预测对和预测错所占的比例就是这两个指标，求和为1。但是其实这里表述并不是很好，这里的“精度”更好的表示是“准确度”（Accuracy），这两个指标只是在“对”与“错”层面进行分析，并未涉及出错原...
AP、mAP、F1 Score、PR曲线、ROC曲线
mathnan的专栏
03-19 2868
1. 基础概念 混淆矩阵： 通过研究该混淆矩阵，可以构造如下几个指标： (1) Accuracy(准确度)： 意义：用于同时衡量分类器对于正负样本的分类正确性。 不足：当测试样本不平衡时，该指标会失去意义。例如：100个样本中负样本占有98个，那么分类器只需将所有样本分为负类即可达到98%的准确度。 公式：accuracy=TP+FNTP+FN+FP+TNaccuracy = \frac{TP + FN}{TP+FN+FP+TN}accuracy=TP+FN+FP+TNTP+FN​ (2) Prece
机器学习 python绘制pr曲线 代码
06-28
以下是机器学习Python绘制PR曲线的示例代码： ```python from sklearn.metrics import precision_recall_curve import matplotlib.pyplot as plt import numpy as np y_true = np.array([0, 0, 1, 1, 1]) y_scores...
评论 3
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