qq_42686927的博客

Python3入门机器学习 8.4 ROC曲线 ROC曲线（Receiver Operation Characteristic Curve）：描述TPR和FPR之间的关系。 一般来说，FPR值越大，TPR值越大；FPR值越小，TPR值越小 对于ROC曲线来说，我们通常关注的是这条曲线下面的面积的大小，面积越大代表我们训练出的模型它的分类效果越好。这是因为在ROC曲线上，在x越小的时候就是FPR越低的时候，也就是我们犯false-positive越少的时候，相应的曲线的值越高，也就是TPR越大，也就是我

Python3入门机器学习 8.3 精准率和召回率的平衡 精准率和召回率是互相牵制、互相平衡的一对变量。一个高一些另一个就会低一些，一个低一些另一个就会高一些。 横轴代表取不同的阈值thresholds，图代表随着thresholds的改变，精准率和召回率的变化趋势。 x轴是精准率，y轴是召回率，这个图反映了精准率和召回率它们之间的一个平衡。对于这样的图，通常都会有一个急剧下降的点，而这个点通常为精准率和召回率达到平衡的点。 如果我们有一个模型，它的PR曲线更靠外的话（如上图的L1曲

Python3入门机器学习 8.2 F1 Score 有时候我们注重精准率。如股票预测。 有时候我们注重召回率。如病人诊断。 不过还有一些情况，我们希望获得这两个指标之间的平衡，也就是同时关注精准率和召回率，在这种情况下我们使用一种新的指标，叫做F1 Score。它的目的就是兼顾精准率和召回率这两个指标。 F1 Score是precision和recall的调和平均值。 F1的取值范围在（0,1）之间。 为什么要取精准率和召回率的调和平均值呢？ 调和平均值一个非常重要的特点就是：如果这二者极度不平衡的话，

Python3入门机器学习 8.1 精准率和召回率 1.分类准确度的问题： 例子：如果有一个癌症预测系统，输入体检信息便可以判断是否有癌症，假设它的预测准确度是99.9%，那这个预测系统是好是坏？ 如果癌症产生的概率只有0.1%，那意味着根本不需要任何机器学习的算法，对于任何输入的体检信息，只要都预测是健康的，即可达到99.9%的准确率。这样一来近乎我们的系统什么都没有做。 所以，对于极度偏斜（Skewed Data）的数据，只使用分类准确度是远远不够的。 2.混淆矩阵： 3.精准率和召回率： (1).精