二分类PRC曲线绘制

最新推荐文章于 2024-06-01 17:23:25 发布
最新推荐文章于 2024-06-01 17:23:25 发布
阅读量955 收藏
点赞数
文章标签： 机器学习 python 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_43163745/article/details/105366876
版权

二分类PRC曲线绘制—交流

小白自学机器学习算法，学precision和recall时感觉这两个概念还挺好理解的，但是到画PR曲线时就懵了。。。
冲浪了好一会，按自己的理解写了段代码，但感觉画出来的线怎么看都不像对的。。。
求大佬们批评指正
背景：摄像头目标检测，通过boudingbox与ground truth的交并比阈值（50）判定测试样本为正样本还是负样本
绘制出来的曲线如下：
在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt
sample={
   1:100,2:90,3:10,4:20,5:80,6:50,7:60,8:30,9:40,
最低0.47元/天 解锁文章
weixin_43163745
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
PR详解及二分类的PR曲线绘制
data+scenario+science+insight
05-21 1760
PR详解及二分类的PR曲线绘制 从混淆矩阵可见： 要提高Precesion，只要让预测为正样本的阈值尽可能高（最高为1，即只有当100%认为是正样本时才会被预测为正），即只有极大概率为正才会被预测为正，这样一来，在正样本数巨多的情况下，recall接近0，但precision会很高（有限的被预测为正的样本都有极大可能是正样本） 反过来，若要提高recall，只需让阈值很低，取极限，阈值为0，所有样本都被预测为正样本，那recall=1（阈值为0时，recall一定由图可见，当召回率接近于0时.
Tensorflow2.0：多分类评价指标 ROC、PRC 绘图、AUC 计算以及混淆矩阵绘制
cocofisher的博客
08-03 5784
文章目录项目准备python 代码1、导入需要的库2、建立 Dataset 测试集3、模型导入4、定义测试函数5、将多分类问题转化为单分类问题6、得到每个正例的置信度7、将上面两个函数结合起来8、将测试集输入模型进行测试9、定义 PRC 计算函数10、定义 ROC 计算函数11、计算图片标签和置信度12、计算精确率和召回率13、绘制 P-R 图14、计算 FPR 和 TPR15、绘制 ROC 图 项目准备 在绘图前，我们只需要有测试集以及训练好的网络模型（.h5 文件）即可。最终得到的图如下所示： py
二分类及多分类ROC和PR曲线绘制
m0_64087341的博客
11-01 5638
二分类及多分类ROC曲线的绘制 二分类及多分类PR曲线的绘制
Python利用Seaborn绘制ROC和PR曲线以及AUC与AUPR的计算
最新发布
qq_45647530的博客
06-01 1902
ROC曲线 [1], [2]（ReceiverOperatingCharacteristic Curve，接收者操作特征曲线）是一种用于评估二分类模型性能的重要工具。ROC曲线通过不同阈值下的真阳性率（True Positive Rate, TPR）和假阳性率（False Positive Rate, FPR）的变化情况，直观地展示模型的分类能力。具体而言，ROC曲线的横轴表示假阳性率，纵轴表示真阳性率。假阳性率是指将负样本错误地分类为正样本的比例，而真阳性率是指将正样本正确地分类为正样本的比例。
二分类评估指标：PR曲线、ROC、AUC
qq_41021141的博客
09-29 2321
预测 \ 真实 0 1 0 TN FN 1 FP TP PR曲线： 首先，Precision = TP / (FP + TP)；Recall = TP / (FN+ TP) 一般情况下二分类的分类阈值取0.5（即【预测为1的概率】≥0.5时将该样本预测为1类，否则预测为0类）。如果取不同的分类阈值时，会有不同的分类结果，对应有不同的P、R值 PR曲线就是取不同分类阈值时得到的(P,R)值所对应坐标点(横坐标为P值，纵坐标为R值)连成的曲线 ...
曲线绘制_roc_ROC曲线绘制_PRC_auc曲线绘制_
10-03
roc，prc，auc曲线绘制，帮助解决二分类问题的图像绘制处理
prc曲线 sklearn_精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？
weixin_36221149的博客
12-29 476
前面各位大神总结的都非常的好，也说一下自己的总结和理解。ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题(80%都会问到)。其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念弄混。还有的朋友面试之前背下来了，但是一紧张大脑一片空白全忘了，导致回答的很差。我在之前的面试过程中也遇到过类似的问题，我的面试经...
【模型评估】混淆矩阵之 ROC-AUC曲线、PRC曲线
scxyz的博客
06-12 3450
ROC - AUC
使用Python画ROC曲线和PRC曲线
ZGY9542的博客
04-16 4233
受试者工作特征曲线（Receiver operating characteristic curve，ROC） 精确召回曲线（Precision recall curve，PRC）
python实现二分类和多分类的ROC曲线教程
12-17
基本概念 precision：预测为对的当中，原本为对的比例（越大越好，1为理想状态） recall：原本为对的当中，预测为对的比例（越大越好，1为理想状态） F-measure：F度量是对准确率和召回率做一个权衡（越大越好，1为理想状态，此时precision为1，recall为1） accuracy：预测对的（包括原本是对预测为对，原本是错的预测为错两种情形）占整个的比例（越大越好，1为理想状态） fp rate：原本是错的预测为对的比例（越小越好，0为理想状态） tp rate：原本是对的预测为对的比例（越大越好，1为理想状态） ROC曲线通常在Y轴上具有真阳性率，在X轴上具有假阳性率。
ROC曲线、PRC曲线
klzhang的专栏
04-13 1万+
转载自　http://www.zhizhihu.com/html/y2012/4076.html（大牛） 分类、检索中的评价指标很多，Precision、Recall、Accuracy、F1、ROC、PR Curve...... 一、历史 wiki上说，ROC曲线最先在二战中分析雷达信号，用来检测敌军。诱因是珍珠港事件；由于比较有用，慢慢用到了心理学、医学中的一些检测等应用，慢慢
【机器学习】PRC（PR曲线）
热门推荐
littlemichelle
03-24 2万+
与ROC和AUC密不可分，复习的时候觉得PRC也单独写一篇。 问题源自：如何判断一个数据集正负样本是均衡的？ PR和ROC在面对不平衡数据时的表现是不同的。在数据不平衡时，PR曲线是敏感的，随着正负样本比例的变化，PR会发生强烈的变化。而ROC曲线是不敏感的，其曲线能够基本保持不变。 ROC的面对不平衡数据的一致性表明其能够衡量一个模型本身的预测能力，而这个预测能力是与样本正负比例无关的。但...
matlab计算prc曲线auc面积,MATLAB画ROC曲线，及计算AUC值
weixin_42511121的博客
03-16 677
根据决策值和真实标签画ROC曲线，同时计算AUC的值步骤：根据决策值和真实标签画ROC曲线，同时计算AUC的值:计算算法的决策函数值deci根据决策函数值deci对真实标签y进行降序排序，得到新的排序$roc_y$根据$roc_y$分别对正负类样本进行累积分布$stack_x$，$stack_y$根据$stack_x$，$stack_y$计算RUC的值[AUC = sum_{i=2}^{n}(st...
P-R曲线绘制（多分类问题）
weixin_42196948的博客
03-15 3288
以iris数据为样本实现P-R曲线的绘制 import matplotlib.pyplot as plt import numpy as np from sklearn import svm, datasets from sklearn.metrics import precision_recall_curve, average_precision_score from sklearn.model_selection import train_test_split from sklearn.prepro
prc曲线 sklearn_机器学习性能指标精确率、召回率、F1值、ROC、PRC与AUC--周振洋
weixin_31293841的博客
02-28 934
精确率、召回率、F1、AUC和ROC曲线都是评价模型好坏的指标,那么它们之间有什么不同，又有什么联系呢。下面让我们分别来看一下这几个指标分别是什么意思。针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况.(1)若一个实例是正类并且被预测为正类，即为真正类(True Postive TP)(2)若一个实例是正类，但是被预测成为负类，即为...
python画出二分类正负样本的PR曲线
leokingszx的博客
04-15 1018
正样本的PR曲线比较好画 import matplotlib.pyplot as plt from sklearn.metrics import precision_recall_curve metrics.precision_recall_curve(test_y, test_pred_prob, pos_label=None, sample_weight=None) precision, recall, thresholds = precision_recall_curve(test_y, t
二分类模型评估之 ROC曲线和PR曲线
鼹鼠的胡须 的博客
09-03 1万+
ROC曲线：ROC曲线一系列根据不同的二分类方式（阈值或分界值），以真阳性率TPR（灵敏度）为纵坐标，假阳性率FPR（1-特异度）为横坐标绘制的曲线。
显著性目标检测模型评价指标（二）——PR曲线
乐乐lelele的博客
03-19 1万+
显著性目标检测模型评价指标 之 PR曲线原理与实现代码 目录 显著性目标检测模型评价指标 之 PR曲线原理与实现代码 目录 一、PR曲线原理 计算方法 阈值选取 二、Matlab代码 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 参考文献 一、PR曲线原理 在显著目标提取中（关于视觉显著性的简要介绍点此处链接），PR曲线是用来评...
点云的PRC曲线代码
05-28
以下是一个简单的点云PRC曲线的Python代码示例，用于演示如何计算和绘制点云的PRC曲线。假设我们已经有一个点云分类器和一个点云数据集，其中点云数据集包含N个点，每个点都有一个真实标签和一个预测标签。 ```python import numpy as np from sklearn.metrics import precision_recall_curve, auc # 假设我们有一个点云分类器和一个点云数据集，其中点云数据集包含N个点，每个点都有一个真实标签和一个预测标签 # 真实标签和预测标签存储在两个N维数组中 y_true = np.array([0, 1, 1, 0, 0, 1, 1, 1, 0, 1]) y_scores = np.array([0.1, 0.8, 0.6, 0.2, 0.3, 0.7, 0.9, 0.5, 0.4, 0.6]) # 计算精确率、召回率和阈值 precision, recall, thresholds = precision_recall_curve(y_true, y_scores) # 计算PRC曲线下的面积 auc_score = auc(recall, precision) # 绘制PRC曲线 import matplotlib.pyplot as plt plt.plot(recall, precision, label='PRC curve (area = %0.2f)' % auc_score) plt.xlabel('Recall') plt.ylabel('Precision') plt.legend(loc="lower left") plt.show() ``` 这个示例代码使用了`sklearn.metrics`中的`precision_recall_curve`和`auc`函数来计算精确率、召回率、阈值和PRC曲线下的面积。最后使用`matplotlib`绘制PRC曲线。
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