机器学习性能评估——PR曲线与ROC曲线
1、PR曲线
P-R曲线是精确率precision与召回率recall 曲线,以recall作为横坐标轴,precision作为纵坐标轴。在介绍精确率和召回率之前,先来看下如下的混淆矩阵:
真实情况\预测结果 | 正 | 负 |
正 | TP | FN |
负 | FP | TN |
把正例正确分类为正例,表示为TP(true positive),把正例错误分类为负例,表示为FN(false negative)
把负例正确分类为负例,表示为TN(true negative), 把负例错误分类为正例,表示为FP(false positive)
通过混淆矩阵可以计算出精确率precision和召回率recall:
此外还介绍两个和PR曲线无关的定义,TPR(敏感度)和TNR(特异度):
TPR(敏感度): 识别出的正例占所有实际正例的比例
TNR(特异度): 识别出的负例占所有实际负例的比例
介绍完准确率和召回率就可以绘制P-R曲线了。(说明:准确率又叫查准率,召回率又叫查全率)
平衡点BEP (Break-Event Point)是查准率=查全率时的取值。
一个重要的问题就是:如何通过P-R曲线比较两个机器学习模型的效果呢?
若一个学习器的P-R曲线被另一个学习器的曲线完全“包住”,则包住者性能优于被包住者
若2个P-R曲线交叉,则难于断言谁好谁坏,合理的判据是比较P-R曲线下的面积大小,但不
容易估算,设计了一些综合考虑查准率和查全率的性能度量,比如BEP。
2、ROC曲线
首先介绍两个概念ROC和AUC:
ROC : Receiver Operating Characteristic
——受试者工作特征,用于比较不同分类器的相对性能
AUC : Area Under ROC Curve
——ROC曲线下的面积,提供了评价模型平均性能的另一种办法
随机猜测的模型位于连接点 (TPR=0,FPR=0) 和 (TPR=1,FPR=1) 的主对角线上
Why?
以固定概率p分为正类,比如包含n+正实例,n-负实例期望正确分类pn+个正实例误分pn-个负实例,因此
于是TPR = FPR,因此位于对角线上。
机器学习性能评估——PR曲线与ROC曲线相关推荐
- 机器学习模型性能评估(二):P-R曲线和ROC曲线
上文简要介绍了机器学习模型性能评估的四种方法以及应用场景,并详细介绍了错误率与精度的性能评估方法.本文承接上文,继续介绍模型性能评估方法:P-R曲线和ROC曲线. ...
- 机器学习性能度量(1):P-R曲线与ROC曲线,python sklearn实现
最近做实验要用到性能度量的东西,之前学习过现在重新学习并且实现一下. 衡量模型泛化能力的评价标准,这就是性能度量.性能度量反应了任务需求,在对比不同模型的能力时,使用不同的性能度量往往会导致不同的评判 ...
- 百面机器学习 #2 模型评估:0102 精确率与召回率,假阳性与真阳性率,PR曲线和ROC曲线
文章目录 1. P-R(Precision-Recall)曲线 F1 score 2. 平方根误差的局限性 3. ROC曲线 ROC曲线绘制 4. AUC predict Positive predi ...
- 机器学习笔记--PR曲线和ROC曲线
最近在看周志华老师的机器学习,本文主要是对PR图和ROC曲线的整理. 一.PR图 对于二分类问题,根据分类结果能形成"混淆矩阵". P是查准率,R是查全率,定义如下: 查准率P类似 ...
- 模型评估指标:P-R曲线和ROC曲线
在机器学习建模中,模型评估指标用于评估不同模型的优劣. 在分类任务中,最简单的评估指标莫过于错误率和精度了,错误率表示的是错误分类的样本个数占总样本个数的比例,精度则是1减去错误率. 错误率和精度的优 ...
- 机器学习中的性能指标:精度、召回率,PR曲线,ROC曲线和AUC,及示例代码
机器学习中的性能指标:精度.召回率.PR曲线,ROC曲线和AUC 精度.召回率 基本概念 F-Score 度量曲线 PR曲线 ROC曲线 PR曲线和ROC曲线的比较 AUC 精度.召回率 基本概念 可 ...
- 机器学习笔记(一)P-R曲线与ROC曲线
P-R曲线与ROC曲线 一.什么是P-R曲线? 二.什么是ROC曲线? 三.P-R曲线与ROC曲线有什么用? 三.绘制P-R曲线代码 一.什么是P-R曲线? 要知道什么是P-R曲线,首先,我们要先了解 ...
- 机器学习:python绘制P-R曲线与ROC曲线
Python绘制P-R曲线与ROC曲线 查准率与查全率 P-R曲线的绘制 ROC曲线的绘制 查准率与查全率 P-R曲线,就是查准率(precision)与查全率(recall)的曲线,以查准率作为 ...
- P-R曲线与ROC曲线使用总结
P-R曲线与ROC曲线总结 作者:jliang https://blog.csdn.net/jliang3 1.P-R曲线 1)实际预测时二分类的四种情况 真阳性/真正类(True Positive, ...
最新文章
- HTTP 2.0与OkHttp
- node-mongo封装
- 一张图了解javaJwt
- python能做哪些单机游戏好玩_【单机游戏】可以快速用Python进行数据分析的几个小技巧_玩得好游戏攻略...
- SecurityContextPersistenceFilter和SecurityContextHolder的作用
- Sublime Text for Mac的快捷键
- 用一个简单的例子来演绎事件委托
- .NET混淆器 Dotfuscator如何保护应用程序?控制流了解一下!
- python大学什么专业学校_好学校的差专业和一般大学的好专业,该怎么选?我来说真话……...
- 终端安装解决svn cannot set LC_CTYPE locale的问题
- 几何画板手机版_钉钉+几何画板+手写板,网络授课变简单
- 3P新产品开发管理实务
- 一步一步搭建ZooKeeper + Mesos + Marathon平台管理Docker集群
- hibernate 基本步骤 一
- 7-4 厘米换算英尺英寸
- easypoi插入超链接
- 〖教程〗Winrm远程命令/WinrmCmd/端口复用后门/Windows密码爆破
- 树莓派3b+指南(二十二)暴力解决默认声卡设置失效问题
- 端到端图像压缩《Checkerboard Context Model for Efficient Learned Image Compression》
- mediapipe示例运行