用简单实例理解ROC曲线和PR曲线

用实例理解ROC曲线和PR曲线
最新推荐文章于 2024-09-22 16:58:49 发布
原创 最新推荐文章于 2024-09-22 16:58:49 发布 · 697 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#算法 #机器学习 #人工智能

在理解PR曲线和ROC曲线前，需要先了解四个值的概念：

 

TP  (true positive):     正例正确地识别为正例

TN  (true negative):    负例正确地识别为负例

FP  (false positive):     负例错误地识别为正例

FN  (false negative):    正例错误地识别为负例

举个例子：一个样本中有100个样本，其中正例为猫，负例为其他动物，猫有70只，其他动物有30只，一共有50只猫被正确检测出来，一共有25只其他动物被正确检测出来，那么依此题意：

TP 50
TN 25
FP 5
FN 20

在理解这四个值以后，在继续理解P、R、FPR、FPR的概念

P（precision）:        \frac{TP}{(TP+FP)}

R（recall）:        \frac{TP}{TP+FN}

TPR  (true positive rate)：    \frac{TP}{P}   =    \frac{TP}{TP+FN}

FPR  (false positive rate):    

最低0.47元/天 解锁文章
ROC曲线实例分析
易名
08-02 2万+
1 ROC分析相关 ROC(Receiver Operating Characteristic,受试者工作特征曲线)的概念来自信号检测原理中 最初只是为了区分噪声和非噪声 对于二分类问题具有很好的表现性能（仅仅是二分类问题，即是非，无有，0/1等） 通过以(FPR,TPR)为坐标点画出二维平面中的曲线，即ROC曲线 Recall = TPR = TP/(TP+FN) (True Posit
ROC曲线及PR曲线
qq_62541359的博客
10-23 1382
跟TPR和FPR不一样的是，在PR关系中，是一个此消彼长的关系，但往往我们希望二者都是越高越好，所以PR曲线是右上凸效果越好（也有例外，有比如在风险场景当预测为1实际为0时需要赔付时，大致会要求Recall接近100%，可以损失Precision）。绘制图线同样的道理，我们要产生随机的概率，表示每个样本例子为正例的概率，然后通过这些概率进行从大到小的排序，再按此顺序逐个样本的选择阈值，大于阈值的概率的样例为正例，后面的全部为反例。ROC曲线和PR曲线的形状和性能评估指标是相关的，但并不完全相同。
ROC曲线详解及matlab绘图实例
开飞机的小毛驴儿
03-15 4万+
有关ROC曲线的内容转自wiki：https://zh.wikipedia.org/wiki/ROC%E6%9B%B2%E7%BA%BF，版权归原作所有 在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种坐标图式的分析工具，用于 (1) 选择最佳的信号侦测模型、舍弃次佳的模型。 (2) 在同一
画ROC曲线实例
夏之微风的博客
10-22 505
roc曲线简单介绍及实例代码
nowfuture的博客
08-16 1万+
今日笔记：roc曲线 还是仅供自己参考学习。。 首先要注意的是roc曲线仅适用于二分类问题，不是二分类问题应首先通过各种手段转为二分类问题。 roc横坐标为TPR，纵坐标为TPR，若要知道TPR,FPR，就要从混淆矩阵说起... 漏掉了f1..f1 = 2*p*r / (p+r) 然后给定阈值，进行计算FPR,TPR 上代码，实现这个小例子： from sklearn.me...
ROC曲线计算过程例子
藏知阁
03-07 7402
三个类别： Sample True Predict 1 [0 0 1] [0.1 0.2 0.7] 2 [0 1 0] [0.1 0.6 0.3] 3 [1 0 0] [0.5 0.2 0.3] 4 [0 0 1] [0.1 0.1 0.8] 5 [1 0 0] [0.4 0.2 0.4] ...
Roc曲线和PR曲线的理解与简单的代码实现
qq_45603919的博客
03-08 3653
文章目录Roc曲线和PR曲线的理解及简单的代码实现1.引言2.几个度量的介绍与理解3.PR曲线的理解4.Roc曲线的理解5.简要代码绘制两种曲线 Roc曲线和PR曲线的理解及简单的代码实现 1.引言 Roc曲线和PR曲线常被用来在二分类问题中评估一个分类器的性能，所以在机器学习中搞清楚两种曲线的原理及其区别与实现是非常基础也是非常重要的。 2.几个度量的介绍与理解 首先我们必须要了解混淆矩阵：表示...
ROC曲线以及PR曲线
ZP745210的博客
10-23 1370
PR曲线和ROC曲线都是在评估二分类模型（分类器）时常用的工具，用于显示模型的性能和有效性。：是一种用于评估二分类模型性能的曲线，横坐标为召回率（Recall），纵坐标为精确度（Precision）。精确度是指模型预测为正样本的样本中真实为正样本的比例，召回率是指真实为正样本的样本中被模型正确预测为正样本的比例。通过对不同阈值下的精确度和召回率进行绘制，可以得到PR曲线。
ROC曲线和PR曲线
qq_54915934的博客
11-02 361
在PR曲线中，以Recall（为x轴，Precision为y轴。在ROC曲线中，以FPR为x轴，TPR为y轴，FPR指实际负样本中被错误预测为正样本的概率。伪反例(False Positive): 指错误分类为正的样本数，实际为负，预测为正。伪反例(False Negative):指错误分类为负的样本数，实际为正，预测为负。真正例(True Positive)：指正确分类成为正的样本数，实际为正，预测为正。真反例(True Negative):指正确分类为负的样本数，实际为负，预测为负。
机器学习基础---pr曲线的绘制
weixin_51123341的博客
10-19 2162
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）
ROC曲线分析
11-10
ROC曲线分析
ROC曲线的绘制和含义以及应用
09-05
用于对识别模型的可靠性和性能的描述，适合于初学者和相关研究人员
深度学习：基础概念陈述及P-R曲线绘制案例(Python)
这也是计划的一部分的博客
10-16 2729
对深度学习与机器学习概念的详细陈述，包括多案例与其他学科的概念对比；如何划分训练集与测试集及各部分的作用，进行模型训练后如何进行模型的评价。数据集的数学表示及数据集拆分方法，如留出法，K折交叉验证，网格搜索等；而后介绍了分类问题及其性能度量指标方法，回归问题及其性能度量指标方法，利用Iris数据集在python sklearn绘制P-R曲线，进行模型评价。
ROC曲线详解
IT修道者的专栏
10-21 2万+
ROC曲线指受试者工作特征曲线 / 接收器操作特性曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。在ROC曲线上，最靠近
t1dw风控赛题ROC曲线理解
elsieyin的博客
09-15 469
赛题 金融风控中的个人信贷 贷款申请人的数据信息 预测 其是否有违约的可能，以此判断是否通过此项贷款 分类问题 评价指标 PR曲线 ROC曲线的理解 有录视频讲这个，发群里了，但是讲的一般，不高兴重录了，懒得发… 金融评分表 onenote转不过来，复制黏贴就是图片orz。。 特征业务意义 Label：isDefaulted 是否违约 installment 分期付款金额 是本金加利息？每月要还的吗？ verificationStatus 验证状态？ dti 债务收入比 （amo
机器学习笔记--PR曲线和ROC曲线
洛阳山
03-12 2828
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类似于，“检索出的信息中有多少比例是用户感兴趣的”； 查准率R类似于，“用户感兴趣的信息中有多少被检索出来了”； 一般来说，查准率和查全率是一对矛盾的度量，书上给出的“P-R图”比较平滑，现实中局部波动较大。 二、R...
【机器学习】ROC曲线
慢热型网友的博客
09-22 2568
接受者操作特性曲线（receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。在二战期间，雷达系统被广泛应用于检测敌方飞机。为了优化雷达系统的性能，研究人员需要找到一种评估雷达系统的性能的方法。他们引入了信号检测理论中的TPR（真阳性率）和FPR（假阳性率）的概念。TPR表示在所有实际存在目标的情况下，系统正确检测到目标的比例。FPR则表示在所有实际不存在目标的情况下，系统错误地报告目标存在的比例。
一个案例教会你AUC和ROC--非常容易理解！
BigData_Mining的博客
10-12 2945
AUC ROC简介 AUC是Area Under Curve的简写，这里的Curve其实是指ROC曲线。 AUC：一个正例，一个负例，预测为正的概率值比预测为负的概率值还要大的可能性。 所以根据定义：我们最直观的有两种计算AUC的方法： 1：绘制ROC曲线，ROC曲线下面的面积就是AUC的值； 2：假设总共有（m+n）个样本，其中正样本m个，负样本n个，总共有mn个样本对，计数，正样本预测为正样本...
深度探讨机器学习中的ROC和PR曲线
热门推荐
yqtao的博客
01-13 4万+
引言\quad 在 21 Must-Know Data Science Interview Questions and Answers 的文章中，有这类似这样的问题，它问的是Explain what precision and recall are. How do they relate to the ROC curve?关于这个问题其实有许多需要回答的，不仅仅是他们的表现形式不同，同时它涉及到下机
roc曲线和pr曲线
最新发布
03-12
### ROC曲线与PR曲线的概念 #### ROC曲线概念 ROC曲线是由一系列阈值下（伪阳性率，真阳性率）构成的一系列坐标点连接而成的图形[^3]。该曲线位于二维坐标系中，其中横轴代表假正类率(FPR)，即 \( FPR = 1 - TNR \) 或者说 \( 1 - Specificity \)；而纵轴则表示真正类率(TPR)，也被称为敏感度(Sensitivity)或者召回率(Recall)。 #### PR曲线概念 PR曲线同样基于不同的决策阈值绘制，在此情况下关注的是精确率(Precision)和召回率(Recall)之间的关系。对于每一个可能的分类置信度阈值，可以计算出一组对应的Precision和Recall值并以此来构建这条曲线[^2]。 ### 曲线间的区别 主要体现在以下几个方面： - **衡量标准的不同** - 对于ROC而言，其考量的是FPR与TPR的变化趋势； - 而PR更侧重于Precision相对于Recall的表现情况。 - **适用范围上的差异** - 当数据集类别分布较为均衡时，两者都能很好地反映模型性能； - 若遇到极端不平衡的数据集，则PR往往能提供更加直观有效的评价视角，因为此时高比例的负样本可能导致极低的FPR即使在大量误报的情况下也能保持较低水平，从而使得ROC曲线下面积(AUC)显得过高估计了模型的真实效能。 - **视觉表现形式** - ROC通常会有一个固定的起点(0,0)和终点(1,1)，并且理想状态下应该尽可能向左上方弯曲接近完美分类器的位置； - 反之，PR曲线不会固定经过特定位置，并且当存在较多噪声或难以区分的例子时可能会呈现出复杂的形态变化[^1]。 ### 应用场景的选择依据 选择使用哪种类型的图表取决于具体的应用背景和个人偏好: - 如果希望获得一个不受类别先验概率影响的整体性能概览，那么可以选择查看AUC-ROC作为参考指标之一； - 在面对高度偏斜的数据集或是特别关心减少错误肯定案例数量的情形下，PR图能够更好地突出那些能够在维持较高查准率的同时达到良好覆盖能力的算法版本。
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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