PR曲线、ROC曲线、AUC、AP简单梳理

已于 2022-07-05 21:01:32 修改
阅读量6.7k 收藏 80
点赞数 9
文章标签： 机器学习 人工智能 算法
于 2021-08-28 22:06:35 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/weixin_42926836/article/details/119974021
版权
本文详细介绍了混淆矩阵、ROC曲线、AUC和PR曲线的概念及其计算方法。ROC曲线关注真阳率与假阳率，适用于评估整体性能，而PR曲线侧重于召回率与精准率，更适合类别不平衡场景。AUC是ROC曲线下的面积，值越大，模型效果越好。AP是PR曲线下的面积，体现分类器在精度与召回率的权衡。选择ROC或PR曲线取决于是否需要同时考虑正负例及类别平衡问题。
摘要由CSDN通过智能技术生成

是不是对一堆PR曲线、ROC曲线、AUC、AP傻傻分不清楚？是不是学完就忘忘了又学？希望这篇文章能帮你梳理清楚一坨乱麻。

1、混淆矩阵

每次在重温理解AUC、PR曲线、ROC曲线的时候，第一步就是在纸上画出来这个混淆矩阵，方便后序进阶。

预测/真实 1（Postive） 0（Negative）
1 (Postive) TP（True Postive:真阳） FP (False Postive:假阳)
0 (Negative FN (False Negative:假阴) TN (True Negative:真阴)

2、ROC曲线 & AUC

真阳率:

T P R = T P T P + F N = T P P TPR=\frac{TP}{TP+FN}=\frac{TP}{P} TPR=TP+FNTP​=P

最低0.47元/天 解锁文章
吾宁
关注
实战十九：基于机器学习的公司投资资质预测（二分类）AUC曲线，PR曲线，AP值
07-01 129
实战十九：基于机器学习的公司投资资质预测（二分类）完整数据代码 可直接运行 毕业设计
利用Python画ROC曲线和AUC值计算
09-21
给大家介绍了如何利用Python画ROC曲线，以及AUC值的计算，有需要的朋友们可以参考借鉴，下面来一起看看吧。
原理详解AUC、ROC和average precision (AP)以及sklearn实战
qq_43391414的博客
09-11 7600
文章目录前言TPR,FPRROCAOC鸣谢 前言 开门见山，想要知道AOC必须知道ROC，想要知道ROC必须知道TPR,FPR， 完。 TPR,FPR EXAMPLE 1: 我们有一个模型算法，它能够根据一系列的属性（比如身高、爱好、衣着、饮食习惯等）来预测一个人的性别是男还是女。 下面是这个模型算法对10个人的是男还是女的预测值和10个人的真实值。其中预测值为0.72表示72%的概率认为是男，28%的概率认为是女。 如果我们设定区分男女的阈值是0.5，那么预测值大于0.5的都是男性，小于0.5都是女性。
det曲线_11566 P-R、ROC、DET 曲线及 AP、AUC 指标全解析（下）
weixin_39631017的博客
12-20 713
.　　上篇讲解了 P-R、ROC、DET 三种曲线，本篇来讲解 AP、AUC 两种指标。指标的作用，就是用一个数字衡量二分类器的好坏，便于对不同的二分类器进行比较。本篇会讲解 AP、AUC 两种指标的定义，它们与各种曲线的关系，以及如何准确、高效、简洁地编程计算两种指标。五、Average Precision(AP)指标AP 指标的定义是这样的：把阈值设置在紧靠每个正例之下，计算正类的查准率，再取...
AUC（Area Under the Curve）和 AP（Average Precision）
weixin_44012667的博客
06-26 629
AUC（Area Under the Curve）和 AP（Average Precision）是两个常用的评估指标，用于衡量二分类模型的性能。它们在处理不平衡数据集时特别有用。
深度学习_深度学习基础_评价指标ROC、AUC、AP、mAP详解
欢迎大家关注我
07-21 5320
ROC和AUC ROC全称是“受试者工作特征”（Receiver Operating Characteristic）。 ROC曲线的面积就是AUC（Area Under Curve）。 AUC用于衡量二分类问题机器学习算法的性能（泛化能力）。 ROC曲线，通过将连续变量设定出多个不同的临界值，从而计算出一系列正真率和假正率，再以假正率为横坐标、正真率为纵坐标绘制成曲线，曲线下面积越大，表示准确率越高。在ROC曲线上，最靠近坐标图左上方的点为真正率和假正率均较高的临界值。 如下图所示： 其中， FPR（Fa
ROC曲线、PR曲线（笔记整理）
散修炼丹师手记
11-20 1207
简介： ROC曲线和PR曲线是机器学习中两个常见的评估指标（对于二分器而言），做个笔记… 原理： 在二分类问题中，分类器将一个实例的分类标记为是或否，这可以用一个混淆矩阵来表示。混淆矩阵有四个分类，如下表： TP（True Positive）：指正确分类的正样本数，即预测为正样本，实际也是正样本。 FP（False Positive）：指被错误的标记为正样本的负样本数，即实际为负样本而被预测为正样本，所以是False。 TN（True Negative）：指正确分类的负样本数，即预测为负样本，实际也是负样
用于参考的———目标检测评价指标（AP：PR曲线下面积，mAP：多个类别的AP的平均值，IoU）
weixin_44523062的博客
03-07 8277
目标检测 — 评价指标 　　评价指标： 　　准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC + AUC，非极大值抑制（NMS...
ROC曲线和PR曲线,AP,mAP
hotboyboy的博客
05-29 4611
ROC曲线
Precision、Recall、P-R曲线、ROC、AUC、mAP
SmileLing的专栏
03-27 1824
1. Precision和Recall2. P-R曲线3. ROC 与 AUC4. mAP5. 代码简单实现6. Reference Github对应博客 1. Precision和Recall 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： TP (True Positive)： 预测为真，实际为真 FP (False Positive)： 预测为真，实际...
R语言plotly可视化：使用plotly可视化二分类、多分类模型的ROC、PR曲线、计算并在曲线中添加AUC值、AP值
data+scenario+science+insight
09-18 385
R语言plotly可视化：使用plotly可视化二分类、多分类模型的ROC、PR曲线、计算并在曲线中添加AUC值、AP值
机器学习基础---分类与检测的评价指标---AP，mAP，PR曲线
热门推荐
xys430381_1的专栏
06-04 1万+
AP和mAP是图像分类任务中的评价方法。 AP 首先，AP也是对所有图片内的某一类来说的。 AP的计算方法： 1、首先使用训练好的模型获得所有测试样本的confideutnce score，每个类别（如person、car等）都会获得一组confidence score，假设现在共有20个测试样本，如下给出这20个样本的id、confidence score、真实标签ground truth la...
PR曲线（Precision-Recall Curve，精确率-召回率曲线）
最新发布
weixin_44012667的博客
06-26 2133
PR曲线（Precision-Recall Curve，精确率-召回率曲线）是一种用于评估二分类模型性能的工具，特别适用于不平衡数据集。PR曲线通过绘制精确率（Precision）与召回率（Recall）之间的关系，展示模型在不同决策阈值下的表现。
目标检测中的评估指标：PR曲线、AP、mAP
Clichong
06-08 5085
文章目录1.precision & recall2.P-R曲线3.AP计算4.mAP计算 1.precision & recall 规定IOU > 0.5表示物体被检测出来 以下面一个猫狗的例子介绍precision与recall，任务找其中狗 我们将被正确识别的狗，称为True positives。我们将被正确识别的猫称为True negatives。为什么会有这个概念？什么是被正确识别的猫？我们知道我们这里的目标是找狗，那么那些我们没有标注的猫，是不是从反向说明我们的查找准确率（
PR/AUC/ROC
csg3140100993的博客
04-17 577
PR曲线 PR曲线实则是以precision（精准率）和recall（召回率）这两个为变量而做出的曲线，其中recall为横坐标，precision为纵坐标。 那么问题来了，什么是精准率？什么是召回率？这里先做一个解释。 在二分类问题中，分类器将一个实例的分类标记为是或否，可以用一个混淆矩阵来表示，如下图所示。 注：把正例正确地分类为正例，表示为TP（true positive），把正例错...
目标检测中的precision, recall, AP, mAP 计算详解以及PR曲线的绘制
calvinpaean的博客
12-13 6026
假设现在有这样一个测试集，测试集中的图片只由大雁和飞机两种图片组成，如下图所示： 假设你的分类系统最终的目标是：能取出测试集中所有的飞机图片，而不是大雁的图片。 现在做如下的定义： True positive: 飞机的图片被正确地识别成了飞机； True negative：大雁的图片没有被识别出来，系统正确地认为它是大雁； False positive：大雁的图片被错误地识别成了飞机； Fal...
ROC,AUC,PR
J-X的博客
04-10 545
1.召回率、准确率、ROC曲线、AUC、PR曲线这些基本概念 这个是今天的重点，传统机器学习里面也是很重要的一点，刚好可以重新学习一下，像AUC其实它就是一个用来评判你的一个模型的准确率的，因为在普通的正确率中，会因为样本的不平衡，而正确率也会跟着改变受到影响！ 今天就来彻底搞懂什么是AUC，什么是ROC 1.性能度量： 机器学习要建模，而对于一个模型的好坏也就是对于判定一个模型的泛化能力...
ROC曲线(Receiver Operating Characteristic Curve)
guifeng93的博客
07-08 5859
原文：http://blog.sina.com.cn/s/blog_531bb7630100v4ny.html （一） 分类模型尝试将各个实例（instance）划归到某个特定的类，而分类模型的结果一般是实数值，如逻辑回归，其结果是从0到1的实数值。这里就涉及到如何确定阈值（threshold value）,使得模型结果大于这个值，划为一类，小于这个值，划归为另一类。 考虑一个二分
PR曲线和ROC
LeeWei
11-20 584
ROC曲线（Receiver Operating Characteeristic Curve）是显示Classification模型真正率和假正率之间折中的一种图形化方法。  解读ROC图的一些概念定义:：  真正（True Positive , TP）被模型预测为正的正样本  假负（False Negative , FN）被模型预测为负的正样本  假正（False Positiv
评论 2
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