精确率、召回率、F1 值、ROC、AUC 各自的优缺点

本文详细介绍了ROC曲线和PRC曲线在机器学习中的作用,包括它们的定义、优缺点以及适用场合。ROC曲线适用于数据不平衡情况不严重的情况,而PRC曲线在正样本远小于负样本时能更好地评估模型性能。地震预测和嫌疑人定罪是两个不同的应用场景实例,前者更关注召回率,后者更注重精确率。
摘要由CSDN通过智能技术生成

本文主要汇总了知乎的回答[https://www.zhihu.com/question/30643044]
ROC曲线的概念:http://blog.csdn.net/abcjennifer/article/details/7359370
PRC曲线的概念: http://blog.csdn.net/u012089317/article/details/52156514

1. 总体介绍

ROC:ROC是光滑的, 基本可以判断没有太大的overfitting。然后看auc的大小,就是ROC曲线下方的面积,面积越大一般认为模型越好。
PRC:先看光不光滑,上面的比下面的好。连接(0,0)和(1,1)的线,线和PRC重合的地方的F1是这条线最大的F1(光滑的情况下),此时的F1对于PRC就好象AUC对于ROC一样。一个数字比一条线更方便调模型。

2. 使用场合:

  • 如果没有data imbalance,倾向于用ROC;
  • 如正样本远小于负样本,
  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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