ROC曲线以及评估指标F1-Score, recall, precision-整理版

最新推荐文章于 2025-06-27 23:59:20 发布
原创 最新推荐文章于 2025-06-27 23:59:20 发布 · 2w 阅读 · 28 ·
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。

本文深入探讨了ROC曲线及AUC的应用，介绍了如何通过混淆矩阵来计算各种评估指标，如TPR、FPR、Precision等，并解释了这些指标对于评估二值分类器的重要性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  最近一直在看ROC曲线，查阅了一些资料，并进行了整理，文章结尾有原资料链接。希望能节约各位找资料的时间。
ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣 。ROC曲线怎么来的呢，我们来看经典的混淆矩阵：

ROC曲线一般的横轴是FPR，纵轴是FPR。AUC为曲线下面的面积，作为评估指标，AUC值越大，说明模型越好。如下图：

File:Roccurves.png
当然还有其他的一些评估指标，常见的有：ROC、AUC、precision、recall、F1-score。下面是指标详细：

Terminology and derivations
from a  confusion matrix
true positive (TP)
eqv. with hit
true negative (TN)
eqv. with correct rejection
false positive (FP)
eqv. with  false alarm,  Type I error
false negative (FN)
eqv. with miss,  Type II error
sensitivity or  true positive rate (TPR)
eqv. with  hit rate,  recall
\mathit{TPR} = \frac {\mathit{TP}} {P} = \frac {\mathit{TP}} {\mathit{TP}+\mathit{FN}}
specificity (SPC) or  true negative rate (TNR)
\mathit{SPC} = \frac {\mathit{TN}} {N} = \frac {\mathit{TN}} {\mathit{FP} + \mathit{TN}}
precision or  positive predictive value (PPV)
\mathit{PPV} = \frac {\mathit{TP}} {\mathit{TP} + \mathit{FP}}
negative predictive value (NPV)
\mathit{NPV} = \frac {\mathit{TN}} {\mathit{TN} + \mathit{FN}}
fall-out or  false positive rate (FPR)
\mathit{FPR} = \frac {\mathit{FP}} {N} = \frac {\mathit{FP}} {\mathit{FP} + \mathit{TN}} = 1 - \mathit{SPC}
false discovery rate (FDR)
\mathit{FDR} = \frac {\mathit{FP}} {\mathit{FP} + \mathit{TP}} = 1 - \mathit{PPV}
miss rate or  false negative rate (FNR)
\mathit{FNR} = \frac {\mathit{FN}} {P} = \frac {\mathit{FN}} {\mathit{FN} + \mathit{TP}}
accuracy (ACC)
\mathit{ACC} = \frac {\mathit{TP} + \mathit{TN}} {P + N}
F1 score
is the  harmonic mean of  precision and  sensitivity
\mathit{F1} = \frac {2 \mathit{TP}} {2 \mathit{TP} + \mathit{FP} + \mathit{FN}}
Matthews correlation coefficient (MCC)
\frac{ TP \times TN - FP \times FN } {\sqrt{ (TP+FP) ( TP + FN ) ( TN + FP ) ( TN + FN ) } }

Informedness = Sensitivity + Specificity - 1
Markedness = Precision + NPV - 1


以下是指标的介绍：感觉原博主讲的很好，我就不作修改了，复制粘贴排版会乱，就直接截图了。



参考来源：
http://www.w2bc.com/Article/88963
https://en.wikipedia.org/wiki/Receiver_operating_characteristic
f1 score 代码_机器学习中的F1-score
weixin_39796868的博客
12-19 3197
一、什么是F1-scoreF1分数(F1-score)是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为：G分数是另一种统一精确...
F1-score
weixin_46348136的博客
07-11 3646
仅记录个人学习
【AI概念】精度（Precision）vs 召回率（Recall）vs F1分数（F1 Score）详解（附详尽Python代码演示）| 定义与原理、数学公式、案例与代码可视化、工程应用建议、典型案例
最新发布
AI人工智能爱酱～你的AI学习好帮手～
06-27 694
大家好，我是爱酱。本篇将会系统讲解机器学习分类模型中最常用的三大评价指标：精度（Precision）、召回率（Recall）和F1分数（F1 Score）。内容包括定义、数学公式、直观解释、优缺点、典型应用场景和三者的权衡关系，适合初学者和进阶者系统理解。 注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！
sklearn中的模型评估-构建评估函数
weixin_34184561的博客
06-08 3598
1.介绍 有三种不同的方法来评估一个模型的预测质量： estimator的score方法：sklearn中的estimator都具有一个score方法，它提供了一个缺省的评估法则来解决问题。 Scoring参数：使用cross-validation的模型评估工具，依赖于内部的scoring策略。见下。 Metric函数：metrics模块实现了一些函数，用来评估预测误差。见下。 2. scor...
机器学习：分类、多分类、回归模型的评估
皮皮blog
09-18 7万+
http://blog.youkuaiyun.com/pipisorry/article/details/52574156 衡量分类器的好坏 对于二类分类器/分类算法，评价指标主要有accuracy， [precision，recall，F-score，pr曲线]，ROC-AUC曲线，gini系数。 对于多类分类器/分类算法，评价指标主要有accuracy， [宏平均和微...
【评价指标】详解F1-score与多分类MacroF1&MicroF1
忽逢桃林的博客
07-22 8320
基本概念 首先，要背住的几个概念就是：accuracy,precision,recal, TP,FP,TN,FN TP:true positive。预测是正确的正样本 FP:false positive。预测是错误的正样本 TN：true negative。预测是正确的负样本 FP:false positive。预测是错误的负样本 通常我们会做出这样的一个混淆矩阵： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rc8E9gBl-1595353574343)(http:/
分类问题的评价指标（Precision、Recall、Accuracy、F1-Score、Micro-F1、Macro-F1）以及混淆矩阵、ROC曲线
少年龙龙的博客
05-11 1万+
文章目录一、四个基本概念 TP、FP、TN、FN二、精确率（precision）、召回率（recall）、准确率（accuracy）三、F1-Score（F1分数）四、宏平均 Macro-F1 、微平均 Micro-F1、加权平均 Weighted avg五、混淆矩阵（Confusion Matrix）六、ROC 曲线和 AUC（Area Under the Curve，曲线下面积） 一、四个基本概念 TP、FP、TN、FN 真阳性：预测为正，实际为正。把正样本成功预测为正。 TP——True Posit
模型的评估指标——IoU、混淆矩阵、Precision、Recall、P-R曲线、F1-score、mAP、AP、AUC-ROC
Atticus的博客
11-14 2451
YOLO是最先进的目标检测模型之一。目标检测问题相比分类问题要更加复杂，因为目标检测不仅要把类别预测正确，还要预测出这个类别具体在哪个位置。我将目标识别的评估指标总结为两部分，一部分为预测框的预测指标，另一部分为分类预测指标。
Accuracy, Precision, Recall和F1-score解释
m0_55281984的博客
04-04 3657
本文解释常用评价指标Accuracy, Precision, Recall和F1-score 主要参考以下文章 多分类模型Accuracy, Precision, Recall和F1-score的超级无敌深入探讨 1.主要解决数据集中不平衡的问题
模型评估指标_精准率、召回率、F1-score、ROC曲线、AUC曲线
PuJiang-的博客
05-05 3749
一、分类结果混淆矩阵 1、T、F、P、N辨析 P(Positive)、N(Negative)针对的是预测值的结果。 P表示对样本的预测结果为正例， N表示对样本的预测结果为反例。 T(True)、F(False)针对的是预测值的结果是否预测对了。 TP表示对该样本预测结果为正例，同时预测对了，真实标签和预测标签都为正例， FP表示对该样本预测结果为正例，但是预测错了，真实标签为反例，预测标签为正例， TN表示对该样本预测结果为反例，同时预测对了，真是标签和预测标签都为反例， FN表示对该样本预测结果为反
机器学习基础概念：查准率、查全率、ROC、混淆矩阵、F1-Score 机器学习实战：分类器
12-21
本文将深入探讨几个关键概念：查准率（Precision）、查全率（Recall）、ROC曲线、混淆矩阵以及F1-Score，这些都是衡量分类器效能的重要指标。 查准率和查全率是评价二分类问题中模型性能的两个基本指标。查准率...
【scikit-learn】sklearn.metrics.f1_score() 函数：分类模型评估指标 F1分数
彬彬侠的博客
03-15 1491
f1_score是sklearn.metrics提供的一个分类模型评估指标，用于计算F1分数（F1-score），适用于二分类、多分类和多标签分类任务。f1_score计算精确率和召回率的调和平均，适用于二分类和多分类任务。适用于平衡误报（FP）和漏报（FN）的任务，如垃圾邮件检测、医学诊断、欺诈检测。支持macro、micro、weighted计算方式，适用于不同类别分布的数据集。当数据类别不均衡时，F1分数比普通准确率更可靠。
【深度学习笔记】F1-Score
李响
12-19 3万+
F1-Score又称为平衡F分数（balanced F Score），他被定义为精准率和召回率的调和平均数。 F1-Score指标综合了Precision与Recall的产出的结果。F1-Score的取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。 更一般的，我们定义Fβ分数为 除了F1分数之外，F2分数和F0.5分数在统计学中也得到大量的应用。其中，F2分数中，召回率的权...
F1-score（标准度量）
2201_76139143的博客
07-17 2347
F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0，如公式1所示。公式1。
sklearn.metrics.f1_score 使用方法
壮壮不太胖的学习笔记
04-25 2万+
原网站：sklearn官网 使用sklearn计算 F1 score sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn') 计算F1分数，也称为平衡F分数或F测度 F1分数可...
sklearn中f1_score函数详解
与其临渊羡鱼,不如退而结网
05-25 2162
在机器学习任务中，准确衡量模型性能和调整模型参数至关重要。F1 分数是分类问题中一个常用的评估指标，而 sklearn 中提供的 f1_score 函数，可以方便地帮助我们计算 F1 分数。本文介绍了 f1_score 函数的基本用法和常用参数，希望能对大家的学习有所帮助。
F1-Score相关概念
重剑无锋博客
04-12 6899
F1分数（F1 Score），是统计学中用来衡量二分类（或多任务二分类）模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0，值越大意味着模型越好。假如有100个样本，其中1个正样本，99个负样本，如果模型的预测只输出0，那么正确率是99%，这时候用正确率来衡量模型的好坏显然是不对的。 ...
【机器学习】F1分数(F1 Score)详解及tensorflow、numpy实现
热门推荐
zjn-ai的博客
12-11 15万+
F1-Score相关概念 F1分数（F1 Score），是统计学中用来衡量二分类（或多任务二分类）模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。 真实 1 真实 0 预测 1 True Positive(TP)真阳性 False Positive(FP)假阳性 预测 0 Fals...
sklearn.metrics 中的f1-score介绍
qq_40671063的博客
04-30 1万+
F1得分可以解释为精确度和召回率的调和平均值，其中F1得分达到其最佳值为1，最差得分为0。: 计算每个标签的指标，并找到它们的平均加权支持 (每个标签的真实实例数)。: 计算每个实例的指标，并找到它们的平均值 (仅对于与accuracy_score不同的多标签分类有意义)。这仅适用于目标 (y_{true，pred}) 是二分类的。在多类别和多标签的情况下，这是每个类别的F1得分的平均值，其权重取决于平均参数。不受数据不平衡影响，容易受到识别性高（高recall、高precision）的类别影响；
对pandas读取的数据进行逻辑回归评价预测，包括精确率与召回率、F1-score、ROC曲线与AUC指标代码
06-09
好的，针对您的问题，以下是一份逻辑回归预测模型的代码示例： ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score, roc_curve import matplotlib.pyplot as plt # 1. 数据读取与处理 data = pd.read_csv('data.csv') X = data.drop('target', axis=1) y = data['target'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 2. 模型训练 model = LogisticRegression() model.fit(X_train, y_train) # 3. 模型预测 y_pred = model.predict(X_test) y_prob = model.predict_proba(X_test)[:, 1] # 4. 模型评价 accuracy = accuracy_score(y_test, y_pred) precision = precision_score(y_test, y_pred) recall = recall_score(y_test, y_pred) f1 = f1_score(y_test, y_pred) auc = roc_auc_score(y_test, y_prob) # 5. ROC曲线绘制 fpr, tpr, thresholds = roc_curve(y_test, y_prob) plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % auc) plt.plot([0, 1], [0, 1], 'k--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('ROC Curve') plt.legend(loc="lower right") plt.show() # 6. 输出结果 print('Accuracy:', accuracy) print('Precision:', precision) print('Recall:', recall) print('F1-score:', f1) print('AUC:', auc) ``` 这份代码使用了Pandas库读取了名为"data.csv"的数据集，并将其分成训练集和测试集，使用Scikit-learn库中的LogisticRegression类进行模型训练和预测，最后通过Scikit-learn库中的指标函数计算了预测结果的准确率、精确率、召回率、F1-score和AUC指标，同时绘制了ROC曲线。 需要注意的是，上述代码仅作为示例，具体实现需要根据实际情况进行调整。
评论
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