样本不平衡时ROC稳定不变而PRC非常敏感

最新推荐文章于 2024-07-23 11:32:18 发布
原创 最新推荐文章于 2024-07-23 11:32:18 发布 · 1.4k 阅读 · 3 ·
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：

#机器学习

本文深入解析ROC和PRC曲线在评估机器学习模型性能时的不同视角。ROC曲线关注误诊率，适合评估模型在平衡数据集上的表现；而PRC曲线强调精准率，更适合分析不平衡数据集的情况。通过实例对比，揭示两者在不同场景下的应用差异。

ROC曲线

 

1. ROC曲线的X轴是误诊率，Y轴代表了召回率。

2. 曲线上每一个点，都对应一个阈值，按照这个阈值，可以将预测概率cut成0或者1。以点A为例，以60%的误诊率为代价，可以达到90%的确诊率，可以假设该阈值为0.2，预测概率大于0.2的都挑出来，认为是阳性。

3. 如果阴性、阳性样本比例为1：1，那么这个预测情况为：

 

真实阳性

真实阴性

预测为阳性

90

60

预测为阴性

10

40

合计
最低0.47元/天 解锁文章
euler1983
关注
理解 ROC 和 PRC
莫彩的博客
11-24 1829
前两天看到了一篇关于 ROC 的推送文章，突然发现这块上学时的知识已经逐渐开始忘却了，顺便复习一下这部分知识顺手记录下来。
ROC AUC PRC 详细
qq_20449731的博客
02-05 2072
ROC（receiver operating characteristic curve）受试者工作特征曲线，下图 此图引入了假正率，和真正率。（感觉在读红楼梦） TPR ：True Positive Rate（真正率 , TPR）或灵敏度（sensitivity）（就是前文的召回率R） 　　 TPR = TP /（TP + FN） 正样本预测结果数 / 正样本实际数 TNR ：Tr
分类模型评估之ROC-AUC曲线和PRC曲线
热门推荐
皮皮blog
06-30 10万+
http://blog.youkuaiyun.com/pipisorry/article/details/51788927 ROC曲线和AUC ROC（Receiver Operating Characteristic，接受者工作特征曲线）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。博文介绍ROC和AUC的特点，讨论如何作出ROC曲线图以及计算AUC。 AUC是现...
roc与prc
lala_001的专栏
03-16 2527
1.准确率与召回率 数据集中 ： 正例 反例 你的预测 正例 ： A B 你的预测 反例 ： C D 准确率就是A/(A+B) 就是“你的预测中有多少是对的” 召回率就是A/(A+C) 就是“正例里你的预测对的覆盖了多少” A为被模型预测为正的正样本，真正（True Positive , TP）--预测正确 B为被模型预测为正的负样本，假正（False Positive , FP
PRC 和ROC
u010398562的博客
09-02 6615
一、指标定义 准确率：策略命中的所有相关订单/策略命中的所有订单 召回率：策略命中的所有相关订单/所有的相关订单（包括策略未被命中的） F1-score(F1-分数)：2×准确率×召回率/（准确率+召回率），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。（详细介绍见下） ROC:ROC曲线的横坐标为false positive rate（FPR,假正率），纵坐标为true
对于PRC和ROC曲线衡量分类器效果的思考
whiterbear的专栏
07-23 5272
我们在分类中往往采用一些指标如Precision，Recall，ROC图来衡量一个分类器的分类效果。 在实际中遇到的数据往往是正负样本不平衡(class imbalance)的，比如假设100个人里面有1个是癌症患者，那么，分类器只要对所有样本返回非癌症即可获得99%的Accuracy，然而此时的分类器并没有意义，它不能识别任何的癌症患者。此时我们需要Precision，Recall，调
二、样本不平衡+模型选择
weixin_44576834的博客
12-27 3964
样本不平衡的模型选择
【ROC曲线】关于ROC曲线、PR曲线对于不平衡样本的不敏感性分析说引发的思考...
07-12 2142
ROC曲线 在网上有很多地方都有说ROC曲线对于正负样本比例不敏感，即正负样本比例的变化不会改变ROC曲线。但是对于PR曲线就不一样了。PR曲线会随着正负样本比例的变化而变化。但是没有一个有十分具体和严谨地对此做出过分析和论证（至少我没有找到）。 此处记为结论1： 结论1：PR曲线会随着正负样本比例的变化而变化；但是ROC曲线不会。 此处...
ROC曲线 vs Precision-Recall曲线
ytusdc的博客
07-30 2685
参考1：https://www.cnblogs.com/JesusAlone/p/9762352.html 参考2：https://www.pianshen.com/article/8810789641/ ROC曲线和AUC的定义可以参看“ROC曲线于AUC”，Precision-Recall曲线顾名思义即Precision为纵轴，Recall为横轴的曲线，作图方法与AUC曲线一致，只是横纵轴坐标意义不同。 ROC曲线 vs PR曲线——ROC曲线的优势 　　相比P-R曲线，ROC曲线有个很好的特性
样本不均衡及其解决办法
dfly_zx的博客
02-26 9272
1 什么是类别不均衡 类别不平衡（class-imbalance），也叫数据倾斜，数据不平衡，是指分类任务中不同类别的训练样例数目差别很大的情况。 在现实的分类学习任务中，我们经常会遇到类别不平衡，例如广告点击率预测、故障分析、异常检测等；或者在通过拆分法解决多分类问题时，即使原始问题中不同类别的训练样例数目相当，在使用OvR（One vs. Rest）、MvM（Many vs. Many）策略后产生的二分类任务仍然可能出现类别不平衡现象。而标准机器学习算法通常假设不同类别的样本数量大致相似，所以类别不
为什么ROC曲线不受样本不均衡问题的影响
definei的博客
09-14 1455
话不多说，首先看一下ROC的横纵坐标 可以看出，TPR考虑的都是正例，既分母TP+FN是真实正例的数目；FPR考虑的都是负例，分母FP+TN是真实负例的数目。 那么为什么ROC不受样本不平衡的影响呢？ 想一下ROC曲线绘画过程，可以看成以预测为正例的概率进行排序，然后概率由大到小依次把样本预测为正例，每次把一个样本当成正例ROC曲线上就多了一个点（TPR,FPR）。这个过程也可以看成一个...
机器学习——ROC曲线、PR曲线
TXQIHYJ的博客
10-20 3146
目录背景介绍ROC曲线介绍深入ROC曲线的主要用途及其优点补充PR曲线介绍深入使用场景ROC曲线和PR曲线关系具体实现ROC曲线的实现PR曲线的实现实验总结ROC曲线（receiver operating characteristic）是一种对于灵敏度进行描述的功能图像，又称为感受性曲线（sensitivity curve。ROC曲线可以通过描述真阳性率（TPR）和假阳性率（FPR）来实现。由于是通过比较两个操作特征（TPR和FPR）作为标准，ROC曲线也叫做相关操作特征曲线。
ROC曲线与PR曲线
abc200941410128的博客
07-22 5068
之前一直知道怎么看ROC，没有过深理解相关概念（真阳假阳等）最近重新细看ROC和PR发现很多资料把这些概念搞得乱七八糟的，所以围绕ROC和PR阐述一下，并且比较两者在评价模型时的优劣。 一、概念介绍 1、混淆矩阵 2、重要概念 真正率(True Positive Rate, TPR)，又名灵敏度(Sensitivity)：分类正确的正样本个数占整个正样本个数的比例，即：TPR=TP
ROC,PR,AUC的基本概念
chen_yiwei的博客
03-03 1716
常见评测指标 TP:将正类预测为正类数 FP:将负类预测为正类数 FN:将正类预测为负类数 TN:将负类预测为负类数 准确率 准确率（正确率）=所有预测正确的样本/总的样本 （TP+TN）/总 精确率 表示的是预测为正的样本中（一种是把正类预测为正类即TP，一种是把负类预测为正类即FP）有多少是真正的正样本 精确率= 将正类预测为正类 / 所有预测为正类 TP/（TP+FP） 召回率 召回率（...
机器学习-常用评价指标大赏~
最新发布
lin_shup的博客
07-23 2659
借此机会，在此篇总结常用的分类评价指标。
机器学习（一）PR曲线和ROC曲线
weixin_52833736的博客
10-17 1718
P-R曲线和ROC曲线
机器学习 | 模型评估方法（P-R曲线和ROC曲线）
m0_65437885的博客
10-23 1万+
机器学习模型的性能评估是至关重要的一部分。在分类问题中，我们通常希望了解模型的预测能力，也就是评估该模型对正类别和负类别的分类结果。PR曲线和ROC曲线是用于评估二分类模型性能的常用工具，通过在不同阈值下的精确度、召回率和真正率、假正率之间的权衡，评估模型的性能。
ROC曲线、PRC曲线
klzhang的专栏
04-13 1万+
转载自　http://www.zhizhihu.com/html/y2012/4076.html（大牛） 分类、检索中的评价指标很多，Precision、Recall、Accuracy、F1、ROC、PR Curve...... 一、历史 wiki上说，ROC曲线最先在二战中分析雷达信号，用来检测敌军。诱因是珍珠港事件；由于比较有用，慢慢用到了心理学、医学中的一些检测等应用，慢慢
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