机器学习：学习绘制PR曲线

说明：

“P”为查准率，也称准确率；“R”为查全率，也称召回率。

PR曲线是由模型的查准率和查全率为坐标轴形成的曲线，查准率P为纵坐标查全率R为横坐标。

	正例	反例
正例	TP（真正例）	FN（假反例）
反例	FP（假正例）	TN（真反例）

上图为测试的混淆矩阵，表示一个数据集上的所有预测结果，

其中查准率P = TP /（TP+FP）；查全率R = TP /（TP+FN）

代码实现：

包引入：


import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

生成测试数据：


# 产生两组 0到1之间的随机数# 演示数据1
rand_1 = list(np.random.random(20))# 生成标签和预测概率数据
test_1 = []
for i in range(20):label = "P" if i < 10 else "N"test_1.append({"value": rand_1[i], "label": label})# 对概率进行排序
rand_1.sort(reverse=True)# 演示数据2
rand_2 = list(np.random.random(20))# 生成标签和预测概率数据
test_2 = []
for i in range(20):label = "P" if i < 10 else "N"test_2.append({"value": rand_2[i], "label": label})# 对概率进行排序
rand_2.sort(reverse=True)

计算PR值：


# values 模型预测的所有样本为正的概率列表
# data 模型预测的数据与样本自身正确标签def get_pr(values=[], datas=[]):pr = []for value in values:counts = {"TP": 0, "FP": 0, "TN": 0, "FN": 0}for data in datas:predict_label = "P" if data["value"] >= value else "N"if predict_label == "P" and data["label"] == "P":counts["TP"] += 1elif predict_label == "P" and data["label"] == "N":counts["FP"] += 1elif predict_label == "N" and data["label"] == "N":counts["TN"] += 1elif predict_label == "N" and data["label"] == "P":counts["FN"] += 1# 计算查准率p = round(counts["TP"]/(counts["TP"]+counts["FP"]), 2)# 计算查全率r = round(counts["TP"]/(counts["TP"]+counts["FN"]), 2)pr.append({"p": p, "r": r})return pr

组合数据，用于绘制PR图：

pr_1 = get_pr(rand_1, test_1)
pr_2 = get_pr(rand_2, test_2)# 生成展示数据
data_show = []
for pr in pr_1:data_show.append({'p': pr['p'], 'r': pr['r'], 'model': 'model_1'})for pr in pr_2:data_show.append({'p': pr['p'], 'r': pr['r'], 'model': 'model_2'})for pr in range(20):value = (1.0/20)*prdata_show.append({'p': value, 'r': value, 'model': 'BEP'})
data_show = pd.DataFrame(data_show)#绘制图表
sns.relplot(x="r", y="p", ci=None, hue='model', kind="line", data=data_show)

机器学习：学习绘制PR曲线相关推荐

机器学习入门案例：鸢尾花数据集分类绘制PR曲线
案例使用鸢尾花数据集进行分类预测,并绘制评价分类性能的PR曲线图认识分类任务和数据集 Iris(鸢尾花)数据集案例演示中使用的是有监督的机器学习算法:SVM 支持向量机建立模型的流程如下: 训练 ...
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 ...
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\ ...
yolo模型(四)绘制PR曲线所用到的reval_voc_py.py代码
在绘制PR曲线时要自己生成一个pkl文件,需要reval_voc_py.py代码来生.现贴出基于python2和python3的代码,按照自己的python版本直接复制即可.拿走不谢~ reval_v ...
python画pr曲线代码_Yolov3测试图及绘制PR曲线,yoloV3,map,和,画
训练指令:./darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74 | tee train_yolov3.lo ...
机器学习（）PR曲线绘制
目录 P-R 曲线绘制 Ground Truth P-R 曲线绘制 Precision-查准率-预测出来的正例中正确的比例---找得对-(查准率高-宁缺毋滥 Recall-查全率-衡量正例被预测出来的 ...
机器学习：何为PR曲线与ROC曲线
PR曲线实则是以precision(精准率)和recall(召回率)这两个为变量而做出的曲线,其中recall为横坐标,precision为纵坐标. 想要明白何为precision(精准率)和reca ...
机器学习：关于P-R曲线和Roc曲线
一:关于P-R曲线: 1:1:何为P-R曲线: P为precision即精准率(查准率),R为recall即召回率,所以P-R曲线是反映了准确率与召回率之间的关系.一般横坐标为recall,纵 ...
机器学习学习笔记(二)---PR曲线
学习笔记 PR曲线一.P和R代表什么 TP FP TN FN 基本概念 P与R 的定义评估PR曲线二.绘制PR曲线代码参考文献一.P和R代表什么在信息检索中,我们经常会关心"检 ...

机器学习：学习绘制PR曲线

机器学习：学习绘制PR曲线相关推荐

最新文章

热门文章