机器学习基础---pr曲线的绘制

一、举个例子

总共有8个西瓜，有一个分类器，它的预测情况如下表

 设置不同阈值时，将得到不同的P值（Precision，查准率）和R值（Recall，查全率）

 

 

 

 

二、解释

Precision-查准率-预测出来的正例中正确的比例---找得对

Recall-查全率-衡量正例被预测出来的比例---找得全

 

在机器学习中分类器往往输出的不是类别标号，而是属于某个类别的概率值，根据分类器的预测结果从大到小对样例进行排序，逐个把样例加入正例进行预测，算出此时的P、R值。
 

 

 三、绘制pr图

模型训练好了之后，对于二分类问题，可以预测每个测试样本属于某个类别的概率。
当我们设置不同阈值时，将得到不同的P值（Precision，查准率）和R值（Recall，查全率）
基于此，可以绘制PR曲线，python绘制PR曲线比较方便。
首先，可以使用precision_recall_curve函数得

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import precision_recall_curve
import matplotlib.pyplot as plt
import numpy as np
from sklearn.metrics import precision_recall_curve

plt.figure("P-R Curve")
plt.title('Precision/Recall Curve')
plt.xlabel('Recall')
plt.ylabel('Precision')
# y_true为样本实际的类别，y_scores为样本为正例的概率
# y_true = np.array([1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 0, 0, 0, 1, 0, 0, 0])
# y_scores = np.array(
#     [0.9, 0.75, 0.86, 0.47, 0.55, 0.56, 0.74, 0.62, 0.5, 0.86, 0.8, 0.47, 0.44, 0.67, 0.43, 0.4, 0.52, 0.4, 0.35, 0.1])
y_true = np.array([0, 0, 0, 1, 0, 1, 1, 1])
y_scores = np.array([0.1, 0.2, 0.3, 0.3, 0.6, 0.7, 0.8, 0.9])
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)
# print(precision)
# print(recall)
# print(thresholds)
plt.plot(recall, precision)
plt.show()