TP、FP、TN、FN、roc曲线和auc

最新推荐文章于 2023-12-04 21:51:01 发布
最新推荐文章于 2023-12-04 21:51:01 发布
阅读量2.3k 收藏 1
点赞数
分类专栏： 深度学习 文章标签： 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/weixin_43093654/article/details/107509180
版权

查准率P（precision）：挑出的西瓜有多少比例是好瓜
查全率R（recall）：所有好瓜中有多少比例被挑出来了
TP：被挑出来的好西瓜数
FP：被挑出来的坏西瓜数
TN：没有被挑出来的坏西瓜数
FN：没有被挑出来的好西瓜数
在这里插入图片描述
这是PR曲线：
在这里插入图片描述
如果有N的标记意味着预测为坏瓜
如果有P的标记意味着预测为好瓜
如果有T的标记意味着预测正确
如果有F的标记意味着预测错误
例如FP根据上面的意思就是我预测是好瓜，但是我预测错误了。

真正例率TPR 假正例率FPR
在这里插入图片描述
这是ROC曲线 他所包围的面积叫AUC：
在这里插入图片描述
为什么TPR和FPR可以同时为1 因为此时我们对西瓜的预测一律都是好瓜，那么所有有N标记的数目都是0（即FN,TN都是0），那因此TPR FPR都为1.

黎明の卿
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【机器学习基础】TP,TN,FP,FN,Precision，Recall，PR曲线，AP，MAP，TPR，FPR,ROC曲线，AUC值等的解释
gbz3300255的博客
06-23 9786
PR曲线计算方式：通过置信度就可以对所有样本进行排序，再逐个样本的选择阈值，在该样本之前的都属于正例，该样本之后的都属于负例。每一个样本作为划分阈值时，都可以计算对应的precision和recall，那么就可以以此绘制曲线 参考文献1：https://blog.csdn.net/qq_41994006/article/details/81051150 参考文献2：https://blog.csdn.net/b876144622/article/details/80009867 ...
测功机TN曲线
weixin_45692672的博客
01-31 4997
1.测功机 测功机为被测机（可能是电机也可能是其他机械）的输出动力提供负载，吸收测功机输出的机械能，并转化成其他形式的能量，同事测量被测电机输出的转速、扭矩等动力性能参数。2.负载的控制方式 转矩模式；只控制转矩的工作模式 转速模式；只控制转速的工作模式3.测功机分类 1）传统测功机（磁粉、磁滞、电涡流、电力测功机），负载只能控制转矩输出，被测电机直接接电网（无驱动器或变频器），转速也是固定的额定转速。 2）被测电机可控的测功机测试,负载只能控制转矩输出，被测电机接驱动器或变频器，转速可调，也可测驱动器性能
【目标检测】评判指标：TP、TN、FP、FN、Precision、Recall、mAP。
See_Star的博客
02-19 5414
交并比IoU、准确率precision、查全率recall、mAP概念通俗解释。
分类问题的评价指标（Precision、Recall、Accuracy、F1-Score、Micro-F1、Macro-F1）以及混淆矩阵、ROC曲线
少年龙龙的博客
05-11 1万+
文章目录一、四个基本概念 TP、FP、TN、FN二、精确率（precision）、召回率（recall）、准确率（accuracy）三、F1-Score（F1分数）四、宏平均 Macro-F1 、微平均 Micro-F1、加权平均 Weighted avg五、混淆矩阵（Confusion Matrix）六、ROC 曲线和 AUC（Area Under the Curve，曲线下面积） 一、四个基本概念 TP、FP、TN、FN 真阳性：预测为正，实际为正。把正样本成功预测为正。 TP——True Posit
一文详解人工智能分类方面的KPI评价标准：混淆矩阵、TP、FP、FN、TN、P-R曲线图、ROC曲线图
17岁boy的博客
12-30 4941
目录 样本概念 混淆矩阵理论知识 概念 TP、FP、FN、TN介绍 概念 TP FP FN TN 备注 关系解释 Key Performance Indicator Precision 标准介绍 概念介绍 样本概念介绍 公式 实际计算 Recall 标准介绍 概念介绍 样本概念介绍 公式 实际计算 F1 Score 标准介绍 公式 实际计算 Recall 标准介绍 概念介绍 样本概念介绍 公式 实际计算 F1 Score 标准介绍 公
如何从T-N曲线判断电机选对了没有
最新发布
Ybox的博客
12-04 1150
如果你是一个刚入行的电机工程师，刚刚参加了一个新产品的开发，在众多电机供应商中让你去挑选一款合适的电机，该从哪个角度去入手呢？ 今天这篇文章就从T-N曲线的角度来解析如何挑一款极具性价比的电机（最精准的刀法是建立在对电机原理的透彻理解下的）
带你真正吃透AUC
天渡漫谈
07-07 1万+
本文旨在从所有教科书都讲到的AUC基本概念为起点，逐步带领大家进入AUC背后更为广阔、神奇的世界。 一、什么是AUC    AUC的全称为Area Under the Curve，即曲线下的面积。这里的曲线指的是什么曲线？有两种类型：ROC曲线和PR曲线。所以，AUC也会有两种类型：ROCAUC及PRAUC，分别对应ROC曲线下的面积以及PR曲线的的面积。 二、ROC曲线及PR曲线    在二分类问题中，模型输出得分SSS后（这里的得分指的是属于正例的概率值，即经过sigmoid函数归一化到[0,1]内.
python实现二分类和多分类的ROC曲线教程
09-16
在机器学习领域，ROC曲线（Receiver Operating Characteristic Curve）是一种评估分类器性能的重要工具，尤其适用于二分类和多分类任务。ROC曲线通过绘制真正阳性率（True Positive Rate, TPR）与假阳性率（False ...
ROC曲线,roc曲线的意义,matlab
09-10
真正率TPR是模型正确识别为正类的比例，计算公式为：TPR = TP / (TP + FN)，其中TP表示真正例，FN表示假负例。假正率FPR是模型错误识别为正类的比例，计算公式为：FPR = FP / (FP + TN)，其中FP表示假正例，TN表示真...
roc.zip_Matlab ROC_roc_roc curve_信号ROC曲线_检测ROC
09-20
计算公式为：TPR = TP / (TP + FN)，其中TP表示真正例，FN表示假反例。 2. **假阳性率(FPR)**：也称为1-特异性，是指假正例占所有实际负例的比例。计算公式为：FPR = FP / (FP + TN)，其中FP表示假正例，TN表示真正...
pROC：显示和分析R和S +中的ROC曲线
02-05
3. **计算AUC**：`auc()`函数可以计算单个或多个ROC曲线的AUC值，提供点估计和95%置信区间。 4. **统计检验**：pROC提供了多种统计测试，如DeLong's test，用于比较两个ROC曲线的显著性差异。 5. **调整阈值**：`...
ROCcurve.zip_ROC 信号检测_ROC曲线_roc curves_roccurve_检测ROC
07-13
1. **定义真正例率和假正例率**：真正例率是指被正确识别为正类的比例，即TP/(TP+FN)；假正例率是指被错误识别为正类的比例，即FP/(FP+TN)。 2. **设定阈值**：对于二分类问题，通常有一个决策阈值，高于这个阈值的...
ROC和AUC的原理及AUC计算方法
lzhfcao的博客
10-10 2568
1.非均衡分类问题 在大多数情况下不同类别的分类代价并不相等，即将样本分类为正例或反例的代价是不能相提并论的。例如在垃圾邮件过滤中，我们希望重要的邮件永远不要被误判为垃圾邮件，还有在癌症检测中，宁愿误判也不漏判。在这种情况下，仅仅使用分类错误率来度量是不充分的，这样的度量错误掩盖了样例如何被错分的事实。所以，在分类中，当某个类别的重要性高于其他类别时，可以使用Precison和Rec...
机器学习-AUC-ORC-ARIMA
一个菜鸟的Java学习历程博客
08-24 518
AUC（Area Under Curve） 取不同的参数值，是的TP,FN,FP,TN的分布不同的曲线图， 上述的图的参数取值位置不同，则得到TP,FN,FP,TN不同的值，然后的到TPR和FPR的点，则在图上会表示出一条线（ROC），如果AUC越大（面积越大），则表示分类器则越好；多分类的ROC曲线：可以简化为多个二分类后：第一种就将所有的得到的值取平均值，或者得到的值再去做ROC
TP、TN、FP、FN超级详细解析
热门推荐
奋斗の博客
11-21 9万+
以西瓜数据集为例，我们来详细解释一下什么是TP、TN、FP以及FN。 一、基础概念 TP：被模型预测为正类的正样本 TN：被模型预测为负类的负样本 FP：被模型预测为正类的负样本 FN：被模型预测为负类的正样本 二、通俗理解（以西瓜数据集为例） 以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。 TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜） TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜） FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是
从TP、FP、TN、FN到ROC曲线、miss rate、行人检测评估
weixin_34112030的博客
02-05 1450
从TP、FP、TN、FN到ROC曲线、miss rate、行人检测评估   update 2018年1月31日22:21:56 最初版本是基于行人检测Piotr Dollar大佬的论文和代码胡乱写的 难免有错 严谨的paper请参考：The Relationship Between Precision-Recall and ROC Curves (ICML2006) , https...
模型构建<1>:模型评估-分类问题
07-23 829
对模型的评估是指对模型泛化能力的评估，主要通过具体的性能度量指标来完成。在对比不同模型的能力时，使用不同的性能度量指标可能会导致不同的评判结果，因此也就意味着，模型的好坏只是相对的，什么样的模型是较好的，不仅取决于数据和算法，还取决于任务需求。本文主要对分类模型的性能度量指标（方法）进行总结。 本文以二分类为例进行介绍。 1.混淆矩阵 1.1 混淆矩阵 对于二分类问题，将模型预测的结...
Python实验六
qq_54226199的博客
10-14 1万+
从键盘输入一段数字， 加密规则如下：对于每一个位置上的数字进行如下处理： 每位数字加上 5， 然后除以 10 得到的余数代替该数字， 再将第一位和最后一位交换，第二位与倒数第二位交换， 依此类推， 最后输出加密后的数字密码。a的值，其中a是一个数字，表示s由几个数相加。编写一个程序，根据用户输入的欲混合的两种原色，输出混合得到的次生色的名称。以下是一段温度转换程序，可以实现华氏温度和摄氏温度的转换，请自行阅读程序，在理解程序的基础上，仿照此程序，写一个人民币和美元之间的货币转换程序。大于等于90分为A；
pip和conda安装与卸载tensorflow、pycharm中使用特定的conda虚拟环境
weixin_43093654的博客
03-29 7662
写吴恩达dp作业做的准备 参考https://blog.csdn.net/ccgcccccc/article/details/89058445 根据他的配置要求来配置文件 pip install tensorflow==1.13.0rc2 -i https://pypi.tuna.tsinghua.edu.cn/simple 或者 -i https://mirrors.aliyun.com/py...
iris数据集，使用ROC曲线和AUC做分类评价指标
06-07
好的，针对iris数据集，使用ROC曲线和AUC来进行分类模型的评价指标如下： 1. ROC曲线 ROC曲线是用于判断二分类模型的分类能力的一种评估方法，它展示了模型在不同阈值下的真正率（True Positive Rate）和假正率（False Positive Rate）之间的关系，其中真正率等于 $TPR = \frac{TP}{TP+FN}$，假正率等于 $FPR = \frac{FP}{FP+TN}$。在ROC曲线中，横坐标为FPR，纵坐标为TPR，其图形越接近左上角，说明模型的分类能力越好。评价ROC曲线的性能通常使用曲线下面积AUC（Area Under Curve）来表示，AUC的取值范围在0.5到1之间，AUC值越接近1，代表模型的分类能力越好。 2. AUC AUC是ROC曲线下面积，是ROC曲线的一个统计量，可以用来衡量分类器的性能。AUC的取值范围在0.5到1之间，AUC值越接近1，代表模型的分类能力越好。对于iris数据集这种多分类问题，可以使用Macro-Averaging和Micro-Averaging来进行AUC的计算。 - Macro-Averaging：计算每个类别的AUC值，然后再把这些AUC值取平均作为最终的AUC值。 - Micro-Averaging：将所有的TP、FP、TN、FN加总起来，然后计算总体的TPR和FPR，再根据总体的TPR和FPR计算AUC值。 以上就是使用ROC曲线和AUC来进行分类模型评价指标的介绍，希望能对您有所帮助。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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