混淆矩阵与PR曲线、ROC曲线的理解与使用

最新推荐文章于 2024-03-25 01:31:08 发布

Kevin照墨

最新推荐文章于 2024-03-25 01:31:08 发布

阅读量3k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：数据挖掘机器学习

本文链接：https://blog.youkuaiyun.com/JustKian/article/details/82851502

本文介绍了混淆矩阵、PR曲线和ROC曲线在分类器评估中的重要性。混淆矩阵用于展示分类器的性能，强调了准确率和召回率的概念。PR曲线着重展示了召回率与准确率之间的平衡，而ROC曲线则关注假正例率与召回率的关系。在正例较少或关注假正例时，PR曲线更有意义；一般情况下，ROC曲线是首选评价工具。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

混淆矩阵与PR曲线、ROC曲线的理解与使用

1.混淆矩阵
对于分类器而言，一个比较好的评估指标是混淆矩阵。下面通过一个表格具体展示在二分类器中的应用。

	Neg（非A）	Pos（A）
Neg（非A样本）	90(TN)	10(FP)
Pos（A样本）	30(FN)	70(TP)

其中Neg表示非A类，pos表示A类。从表格中可以得知，此分类器更能有效地识别非A样本，而对于A样本的识别能力不足。
据此我们还可以引出如下概念：

Precision和Recall都是针对某个类而言的，比如正类别的Recall，负类别的Recall等。如果你是10分类，那么可以有1这个类别的Precision，2这个类别的Precision，3这个类别的Recall等。

准确率 $precesion=TPTP+FP.\mathcal{precesion}=\frac{TP}{TP+FP}.$

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Kevin照墨

关注关注

1
点赞
踩
6

收藏

觉得还不错? 一键收藏
2
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

二分类器、混淆矩阵、精度、召回率、ROC曲线、PR曲线

chenqiuyu10的博客

12-05

1287

手写数字识别，机器学习“分类”学习笔记—来自Geron的《机器学习实战》图片识别领域的“hello word” 文章目录MNIST训练二元分类器性能测量使用交叉验证测量准确率混淆矩阵精度和召回率精度/召回率权衡ROC曲线 MNIST 获取MNIST代码，70000张手写数字的图片----28x28个像素0-255黑白像素点 Scitkit-Learn 加载数据集通常为字典结构（这里需要下载数据集，时间比较长，data_home为保存路径，事先设定好路径之后就不会找不到数据存放在那了) from skle

【机器学习】ROC曲线与PR曲线

weixin_46776511的博客

11-04

661

样本类别不均衡时选择ROC曲线还是PR曲线？

2 条评论您还未登录，请先登录后发表或查看评论

机器学习 之 ROC曲线，混淆矩阵

HeroIsUseless的博客

10-06

3452

TP true positive FP false positive TN FN FPR=FP()所有负样本FPR=\frac{FP()}{所有负样本}FPR=所有负样本FP() #代表数字 TPR=#TP(判断正确的正样本)所有正样本TPR=\frac{ \# TP(判断正确的正样本)}{所有正样本}TPR=所有正样本#TP(判断正确的正样本) TPR也叫召回率 Precission=#TPTP+FPPrecission=\frac{\# TP}{TP+FP}Precission=TP+FP#TP

混淆矩阵和ROC曲线的解读

Caiqiudan的博客

04-20

421

狗熊会

分类器评价、混淆矩阵与ROC曲线

ffeng271的专栏

11-14

6965

分类器评价、混淆矩阵与ROC曲线假定你基于贝叶斯理论、神经网络或其他技术建立了自己的分类器。你如何得知自己是否干了一项漂亮的工作呢?你如何得知是否可以把自己的智能模块应用于生产环境中,并获得同行的景仰以及老板的赞赏呢?评估分类器和创建它同样重要，如同在销售会议上，你会听到大量的夸大之词，但没有评估这就是一堆废话。本节的目的在于帮助你评估自己的分类器，如果你是一个开发者或产品经理, 这会

分类模型常用评价指标——混淆矩阵和roc曲线

TJLCY的博客

12-23

2657

混淆矩阵 定量精度总体分类精度(Overall Accuracy) 分类正确的样本数/总样本数 OA=（e+f+g）/(a+b+c+d+e+f+g+h+i) Kappa系数 P0=OA Pe=∑(真实样本数×分类样本数)/样本总数2 例如：Pe=[(a+b+c)×(a+d+g)+(b+e+h)×(d+e+f)+(g+h+i)×(c+f+i)] /(a+b+c+d+e+f+g+h+i)2 Kappa=(P0－Pe )/(1-Pe) 用户精度(User accuracy ) 从预测的角度出发，预测正确的样

YOLO中的混淆矩阵与ROC曲线

热门推荐

shy19890510的博客

03-09

4万+

对于分类模型，常用的指标有混淆矩阵、ROC曲线，AUC值，KS曲线以及KS值、Lift图，Gain图等，查阅了很多的资料，加入自己的理解整理了一下他们的计算方法和意义，希望对大家有帮助。1. 混淆矩阵---确定截断点后，评价学习器性能假设训练之初以及预测后，一个样本是正例还是反例是已经确定的，这个时候，样本应该有两个类别值，一个是真实的0/1，一个是预测的0/1 ...

混淆矩阵与P-R曲线、ROC曲线

Toby的博客

07-06

1301

1、混淆矩阵 　　 Predicted 　　 Positive Negative Actual Positive TP 真正 (True Positive) FN 假负（False Negative） Negative FP 假正（False Positive） TN 正负 (True Negative) 2、评价指标计算公式准...

混淆矩阵、ROC曲线，AUC值，K-S曲线

lx529068450的博客

04-08

1300

数据分析与挖掘体系位置 混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数据模型，如分类树（Classification Tree）、逻辑回归（Logistic Regression）、线性判别分析（Linear Discriminant Analysis）等方法。在分类型模型评判的指标中，常见的方法有如下四种： ...

关于混淆矩阵及其合理变种以及其与ROC和KS的关系

weixin_44111292的博客

05-26

1592

混淆矩阵是评估机器学习其模型准确性能的指标，但是混淆矩阵的概念的很模糊的，关于它的文献也非常少，而且其分析性质也尝尝被忽略。在本文中，我们系统地研究了混淆矩阵及其分析性质。我们列举了混淆矩阵的16种可能的变体，并表明只有8种是合理的。我们研究了混淆矩阵与其他两个性能指标之间的关系：操作工作特性曲线（ROC）和KolmogorovSmirnov统计量（KS）。通过KS可以获得最佳cutoff score。 1.引言要构建ROC曲线，对于每个分数，将goods累计比例绘制在x轴上，将bads累计比例绘制在

混淆矩阵和ROC的个人理解

zhunode的探索

10-25

1389

以下都是个人得到的认识，不一定正确！ 混淆矩阵 肯定类别否定类别阳性判断真阳性(TP) 假阳性(FP) 阴性判断假阴性(FN) 真阴性(TN) 这是我自己对上面混淆矩阵的理解：真阳性：真：表示我预测的结果是阳性的，而实际结果也是阳性的，所以我预测对了，从而为真。阳性：表示我预测的结果为阳性。从而简称为真阳性假阳性：假：表示我预测的结果是阳性...

混淆矩阵、ROC、AUC

gyq423的博客

09-10

6277

主要内容（1）混淆矩阵（主要指标）（2）绘制ROC （3）AUC （4）多分类 ------------------------------------------------------------------------------------------------------------------------- 一、混淆矩阵 样本预测值 1 0 实...

混淆矩阵、ROC曲线以及文件处理

python_innocent的博客

03-02

213

记录了一些图像分类的评价指标与文件处理

机器学习模型评估混淆矩阵、ROC曲线和AUC以及PR曲线

幸运的Alina的博客

08-15

1万+

在机器学习中，当我们基于某个业务建立模型并训练后，接下来我们需要评判模型好坏的时候需要基于混淆矩阵，ROC和AUC等来进行辅助判断。 混淆矩阵也叫精度矩阵，是用来表示精度评价，为N *N的矩阵，用来判别分类好坏的指标。 混淆矩阵中有以下几个概念： TP(True Positive): 被判定为正样本，实际也为正样本 FN(False Negative):伪阴性，被判定为负样...

map遍历

weixin_46932643的博客

09-09

178

map遍历 {this.state.tutorCardList.map((val,index) => ( < div className={styles.cardContent} key={val.tutorId}> <Card className={styles.cardBodyp} hoverable style={{ width: ‘100%’ }} // 照片属性 {val.photo} cover= {< img alt=“example” className={s