机器学习:PR曲线及F1 score
PR曲线及F1 score
- Pecision 和 Recall
- PR曲线
- PR曲线的绘制
- PR曲线的性能比较
- F1 score
- F1 的一般形式
- macro-F1
- micro-F1
Pecision 和 Recall
首先,我们把数据和对应的标签称为一个example。
在二分类问题中,example可分为真正例(true positive),假正例(fake positive),真反例(true negative),假反例(fake negative)
下面这个矩阵称为混淆矩阵。
precision 和 recall的计算公式如下:
PR曲线
PR曲线的绘制
- 预测结果按照最有可能是正例的样本到最不可能是正例的样本的顺序排序。
- 把每个样本作为正例进行预测,计算出P和R。
- 以R作为横轴,P为纵轴
对上述进行解释:
a) 设置一个从高到低的阈值,大于等于阈值的认为正例,小于阈值的认为负例。
b) 有n个样本, score是分类器对于样本属于正例的可能性的打分。
c) n个阈值,就得到n种标注结果,n对(P,R)。
d) 将n对(P,R)在图上表示出来,就是PR曲线。
PR曲线如下图所示,但实际上PR曲线是非单调的,不平滑的,在局部有很多波动。
PR曲线的性能比较
不同的方法得到的PR曲线不同。
由上图可以看到A的性能好于C,A和B发生交叉,只通过曲线不好判断,要在具体的P或R下进行比较。
为了综合评价性能,提出两种度量方法:
- 平衡点(P=R),可见A的平衡点高于B,因此A>B
- F1 score
这个公式称为F1是标准形式。
F1 score
F1 的一般形式
不同的应用对P,R的重视程度不同,F1的表现形式也会的发生变化。
其中 β 度量R对P的相对重要性。
- β=1 F1的标准形式
- β>1 R的影响大
- β<1 P的影响大
macro-F1
进行多次训练测试时,每次得到一个混淆矩阵,或者执行多分类任务时,估计算法的全局性能。
总之,在n个二分类混淆矩阵上综合考察PR。
计算每个混淆矩阵的P,R,这样就得到(P1, R1 ),(P2,R2 ),…,(Pn, Rn )
计算平均值,就得到了macro-P, macro-R,macro-F1
micro-F1
机器学习:PR曲线及F1 score相关推荐
- 【机器学习-西瓜书】二、性能度量:召回率;P-R曲线;F1值;ROC;AUC
关键词:准确率(查准率,precision):召回率(查全率,recall):P-R曲线,平衡点(Break-Even Point, BEP):F1值,F值:ROC(Receiver Operatin ...
- 目标检测评价指标汇总—mAP,PR曲线,F1分数,FPPI,log-average miss rate等
对于了解目标检测的评价指标是很重要的,否则自己不懂这个代表什么意思,如何调参.网上有太多资料,可是杂乱,甚至有一乱说,记录下自己所学,总结下,也分享出来,也便于自己自己复习. 分为三块,1.解释相关概 ...
- 分类模型评估体系:混淆矩阵、PR曲线、F1、Weighted F1、Micro F1、Macro F1、ROCAUC、KS曲线、Lift曲线、GAIN曲线
目录 混淆矩阵 一类错误+二类错误 查准率(precision)和查全率(recall) PR曲线 调和参数F1
- 分类评估指标之家族成员:ROC、AUC、Lift、Gain、Gini、KS、PR曲线、F1、洛伦兹曲线
关于AUC.KS评价指标.洛伦兹曲线.Gini系数.Lift曲线和Gain曲线.在别人的博客里看到下面的一个小故事: 故事是这样的(向善于总结的大佬致敬): 首先,混淆矩阵是个元老,年龄最大也资历 ...
- 如何直观的理解机器学习PR曲线和ROC曲线?
- 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 ...
- 【机器学习】ROC曲线与PR曲线
一.前置概念 1.混淆矩阵 预测为Positive 预测为Negative 实际值为P TP FN 实际值为N FP TN 前一个字母:预测正确为T,预测错误为F:后一个字母:预测为正例为P,预测为负 ...
- YOLOv5的参数IOU与PR曲线,F1 score
YOLOv5的参数IOU与PR曲线,F1 score conf_thres Confidence Threshold,置信度阈值. 只显示预测概率超过conf_thres的预测结果.想让YOLO只标记 ...
- 机器学习之类别不平衡问题 (2) —— ROC和PR曲线
机器学习之类别不平衡问题 (1) -- 各种评估指标 机器学习之类别不平衡问题 (2) -- ROC和PR曲线 完整代码 ROC曲线和PR(Precision - Recall)曲线皆为类别不平衡问题 ...
最新文章
- Endnote X3 出现中文乱码
- linux 非法信息,用Netstat来监控Linux里非法服务
- conda报错Collecting package metadata
- 使用ViwePager显示图片时如何防止内存泄露。
- SSM项目实战:学生学籍管理系统
- 使用Python编写一个QQ聊天机器人
- python gps_python解决GPS打卡问题
- APP测试工具-Doraemonkit使用
- 解决“应用程序正常初始化(0x00000005)失败”错误
- Ubuntu设置扁平化风格桌面
- 展讯7731C_M Android6.0 充电指示灯实现
- Leetcode 648.单词替换(Replace Words)
- Java Web项目开发流程
- el-input实现尾部加字
- Linux如何安装rpm文件
- 如何改变php的语言变中文,如何使php将unicode转换中文
- 新加坡汇丰个人账户分析
- Linux查看网络连接情况ss,Linux网络状态工具netstat和ss使用详解
- Springboot, link failure、SSL peer shut down incorrectly、Unsupported record version Unknown-0.0问题
- 读取多个文件fgets并输出,每输出2行加一空行,static局部变量
热门文章
- WebRtC视频jitterbuffer原理机制
- KEIL5 头文件路径设置摸索和总结
- 国家市场监督管理总局公布《国家标准管理办法》
- Ubuntu 16.04 64位中文版 配置 LAMP+phpMyAdmin PHP(7.0)开发环境
- 华为p30应用软件开启速度测试,华为P30Pro速度测试,与iPhoneXS Max的差距,果粉无法淡定了!...
- 电脑无线网卡连接的无线信号不好的,经常丢包,掉线断网如何优化解决
- Android中各种颜色在dawable.xml中的定义
- crh寄存器_STM32 学习笔记(寄存器)---2
- 20X20 FCPX插件数字信息化故障干扰像素损坏风格英文标题模板GlitchAnimatedTypeface
- BZOJ1616: [Usaco2008 Mar]Cow Travelling游荡的奶牛