P-R曲线的绘制

已于 2022-10-30 16:08:42 修改
阅读量1.1w 收藏 96
点赞数 14
文章标签： 机器学习
于 2022-10-20 21:17:59 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_55773387/article/details/127435025
版权
本文详细介绍了PR曲线的概念，通过精确率（precision）和召回率（recall）的定义，结合混淆矩阵进行解释。通过实例展示了如何调整阈值影响精准率和召回率，并提供了使用Python绘制P-R曲线的代码示例。
摘要由CSDN通过智能技术生成

首先了解一下什么是pr曲线

PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。

precision（精准率）和recall（召回率）

上述中介绍了PR曲线的实质代表为precision（精准率）和recall（召回率），但是这二者是什么呢？
首先，我们了解一下混淆矩阵，如下表。

其中TP 表示正确分出正例的数量；FN 表示把正例错分为反例的数量；TN 表示正确分出反例的数量；FP表示把反例错分为正例的数量。
从混淆矩阵可以得出
精准率 precision = TP/(TP + FP)
召回率 recall = TP/(TP +FＮ)

举例如下：

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：

a0c6679efaf6f89eb672b2d522e190d2.png

现在让系统进行识别

最低0.47元/天 解锁文章
Garlic frog
关注
  • 14
    点赞
  • 踩
  • 96
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
机器学习实验三之——ROC与PR曲线
Shudsa的博客
11-03 255
ROC曲线（Receiver Operating Characteristic Curve）是用来评估二分类模型性能的一种常见方法。它是基于分类模型对不同阈值下的预测结果进行排序，并计算真正率（True Positive Rate，即召回率）和假正率（False Positive Rate）之间的关系而得到的曲线。真正率指分类器在所有实际为正例中正确预测为正例的比例，可以通过以下公式计算： 真正率 = TP / (TP + FN)
PR曲线详解
热门推荐
gz7seven
08-13 6万+
目录PR曲线概念precision（精准率）和recall（召回率）PR曲线功能说明 PR曲线概念 PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。 precision（精准率）和recall（召回率） 上述中介少了PR曲线的实质代表为precision（精准率）和recall（召回率），但是这二者是什么呢？下面咱们进行相关的讲述。 首先，我们了解一下混淆矩阵，如下表
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 1778
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。
机器学习——pr曲线、roc曲线
achuai0917的博客
10-23 3364
AUC值（ROC曲线下的面积）可以用来衡量分类器的性能，一般情况下，AUC值越大，分类器的性能越好。计算公式为TP/(TP+FN)，其中TP是真正例的数量（即正确预测为正的正例样本数量），FN是假负例的数量（即错误预测为负的正例样本数量）。计算公式为FP/(FP+TN)，其中FP是假正例的数量（即错误预测为正的负例样本数量），TN是真负例的数量（即正确预测为负的负例样本数量）。：精确率被定义为“正例预测正确的概率”，即预测为正例并且实际也为正例的样本数除以所有被预测为正例的样本数。
【机器学习】PR曲线
weixin_54365065的博客
11-07 5065
机器学习基础——绘制PR曲线
PR曲线的绘制
weixin_54881329的博客
11-06 4869
P-R曲线就是关于精确率precision和召回率recall的曲线，recall为横坐标，precision 为纵坐标。T表示正确预测；F表示错误预测；N表示预测为负样本；P表示预测为正样本
可视化绘制P-R 曲线
Sunhansong的博客
11-18 1027
https://blog.csdn.net/qq_33350808/article/details/83178002#commentBox 这个大佬写的非常全 照搬照抄，我把自己的指令写下来，省得下次还得自己编辑 一、 ./darknet detector valid /home/shs/darknet/cfg/voc.data /home/shs/darknet/cfg/yolov3-voc.cfg yolov3-voc_10000.weights -out "" 在result文件夹生成car.tx
太阳电池I-V曲线绘制与P-V曲线绘制.zip
09-04
本资料"太阳电池I-V曲线绘制与P-V曲线绘制.zip"提供了一个基于MATLAB的实现，通过迭代法来绘制这些曲线。下面我们将详细探讨相关知识点。 1. **太阳电池单二极管模型**：这是分析太阳电池电学特性的基础模型，考虑...
绘制yolov3 P-R曲线的脚本reval_voc.py
12-04
能够进行绘制yolov3算法模型P-R曲线的脚本reval_voc.py，在python2环境下运行。
Faster_RCNN绘制P-R曲线、检测视频
03-14
本项目涉及的知识点主要包括Faster R-CNN的工作原理、P-R曲线的绘制以及如何将训练好的模型应用到视频检测上。 首先，Faster R-CNN的核心是引入了区域提议网络（Region Proposal Network，RPN），它与检测网络共享...
P3CurveFitting_x_p-Ⅲ型曲线绘制_matlab_
09-28
【P3CurveFitting_x_p-Ⅲ型曲线绘制_matlab_】是一个使用MATLAB进行特定类型曲线拟合的程序，主要目标是绘制海森频率曲线上的p-Ⅲ型曲线。这种曲线在工程领域，尤其是电力系统分析中非常常见，用于描述系统的动态...
利用鸢尾花数据集画出P-R曲线 python
03-18
#演示目的：利用鸢尾花数据集画出P-R曲线 """ print(__doc__) import matplotlib.pyplot as plt import numpy as np from sklearn import svm, datasets from sklearn.metrics import precision_recall_...
19. PR曲线是什么？如何计算？
weixin_44808274的博客
09-19 918
PR（Precision-Recall）曲线是一种用于评估二分类模型性能的工具，重点关注的是正例的精确性（Precision）和召回率（Recall）之间的权衡关系。与ROC曲线不同，PR曲线将真正例率（TPR）和假正例率（FPR）替换为精确性和召回率，因此更适合于不平衡类别分布的情况，其中正例的数量较少。
机器学习：PR曲线以及ROC曲线
Hapless1的博客
10-22 919
其中，真正例表示模型正确地将样本分类为正类，假正例表示模型错误地将样本分类为正类，真反例表示模型正确地将样本分类为负类，假反例表示模型错误地将样本分类为负类。PR 曲线（Precision-Recall curve）主要关注的是模型在正例预测方面的性能，它将模型的精度（Precision）和召回率（Recall）之间的关系展示出来。精度越高，模型预测的正类样本中真正例的比例就越大，当精度为1时，表示所有被预测为正类的样本都是真正例，即没有假正例存在。假阳性率（FPR）表示模型将负样本错误分类为正类的比例。
机器学习：PR曲线和ROC曲线
zs_id的博客
10-23 305
在机器学习中，我们经常使用PR曲线（Precision-Recall Curve）和ROC曲线（Receiver Operating Characteristic Curve）来评估模型的性能。这两种曲线都可以提供有关分类器性能的重要信息。其实PR曲线和ROC曲线的选择还是要根据实际情况做出选择，当正负样本比例相近时，ROC曲线通常能够给出稳健的性能评估，。当正负样本比例严重不平衡时，PR曲线通常更为实用。
【机器学习】PRC（PR曲线）
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...
机器学习基于Python实现PR曲线和ROC曲线
m0_62682527的博客
10-21 2378
PR曲线和ROC曲线是评估分类模型性能的重要工具。它们可以帮助我们在不同阈值下比较模型的性能，并选择最佳的阈值进行预测。这篇博客将介绍如何使用Python实现PR曲线和ROC曲线，并提供相应的示例代码。在介绍PR曲线之前，我们需要先了解几个概念。这里为了更加形象深刻地理解我们采用识别汉堡🍔的样例。为了判断一张图片是不是汉堡我们可以把照片扔进去一个分类器进行识别如下：其中根据上面数据得到的预测和实际结果的对比我们做出了以下表格：上面表格中的四个数组成的矩阵也就是我们需要理解的的混淆矩阵。
机器学习基础---pr曲线的绘制
weixin_51123341的博客
10-19 1771
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）
python PR曲线
07-27
PR曲线是用来评估二分类模型性能的一种常用方法。在Python中，可以使用sklearn库中的precision_recall_curve函数来绘制PR曲线。首先，需要导入相关的库和数据集。然后，将数据集划分为训练集和测试集，并构建模型。接下来，使用model.predict_proba函数获取测试集样本属于某个类别的概率。然后，使用precision_recall_curve函数计算P值和R值，并得到对应的阈值。最后，根据precision和recall绘制PR曲线。另外，可以使用sklearn.metrics.average_precision_score函数计算预测值的平均准确率（AP）。该值在0和1之间，越高越好。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* *3* [python画PR曲线（precision-recall曲线）](https://blog.csdn.net/weixin_38314865/article/details/104512608)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [【Python】绘制PR曲线](https://blog.csdn.net/Asher117/article/details/112531255)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论 3
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