如何理解PR曲线

最新推荐文章于 2024-06-26 14:41:46 发布
转载 最新推荐文章于 2024-06-26 14:41:46 发布 · 1.2k 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://www.jianshu.com/p/557c4bdd2f2d

博客围绕如何理解PR曲线展开，虽具体内容需点击链接查看，但推测会涉及PR曲线的概念、原理、应用等信息技术领域关键信息，帮助读者深入认识该曲线。
19. PR曲线是什么？如何计算？
weixin_44808274的博客
09-19 1337
PR（Precision-Recall）曲线是一种用于评估二分类模型性能的工具，重点关注的是正例的精确性（Precision）和召回率（Recall）之间的权衡关系。与ROC曲线不同，PR曲线将真正例率（TPR）和假正例率（FPR）替换为精确性和召回率，因此更适合于不平衡类别分布的情况，其中正例的数量较少。
PR曲线以及ROC曲线的简单理解
m0_54703897的博客
10-20 2339
首先，了解一下混淆矩阵，如下表：其中TP+FP+TN+FN = 样例总数查准率P：P=TP/(TP+FP)查全率R：R=TP/(TP+FN)TP：把正例正确的分类为正例FN：把正例错误的分类为反例TN：把反例错误的分类为正例FP：把反例正确的分类为反例真正率TPR：预测为正例且实际为正例的样本占所有正例样本（真实结果为正例样本）的比例假正率FPR：预测为正例但实际为负例的样本占所有负例样本（真是结果为负例样本）的比例举个例子此时的混淆矩阵为此时查准率P和查全率R为。
显著性目标检测模型评价指标（二）——PR曲线
乐乐lelele的博客
03-19 2万+
显著性目标检测模型评价指标 之 PR曲线原理与实现代码 目录 显著性目标检测模型评价指标 之 PR曲线原理与实现代码 目录 一、PR曲线原理 计算方法 阈值选取 二、Matlab代码 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 参考文献 一、PR曲线原理 在显著目标提取中（关于视觉显著性的简要介绍点此处链接），PR曲线是用来评...
P-R曲线深入理解
热门推荐
keep forward, go, go, go
04-19 11万+
P-R曲线就是精确率precision vs 召回率recall 曲线，以recall作为横坐标轴，precision作为纵坐标轴。首先解释一下精确率和召回率。解释精确率和召回率之前，先来看下混淆矩阵，负 正负TNFP正FNTP把正例正确分类为正例，表示为TP（true positive），把正例错误分类为负例，表示为FN（false negative），把负例正确分类为负例...
PR曲线（Precision-Recall Curve，精确率-召回率曲线）
weixin_44012667的博客
06-26 7566
PR曲线（Precision-Recall Curve，精确率-召回率曲线）是一种用于评估二分类模型性能的工具，特别适用于不平衡数据集。PR曲线通过绘制精确率（Precision）与召回率（Recall）之间的关系，展示模型在不同决策阈值下的表现。
matlab绘制pr曲线图
05-16
首先，我们需要理解PR曲线的基本概念。Precision（精确率）是指模型预测为正类的样本中实际为正类的比例，而Recall（召回率）是所有实际正类被正确预测的比例。PR曲线是通过改变阈值，计算出一系列的Precision和...
yolo画pr曲线图.zip
04-29
首先，我们要理解PR曲线的基本概念。在二分类问题中，精度（Precision）是指被预测为正类别的样本中实际为正类别的比例，而召回率（Recall）是实际正类别被正确预测的比例。PR曲线是通过改变阈值来绘制精度和召回率...
PR曲线、Loss曲线代码（用python把txt文件中的数据提取出来画线）
05-28
PR曲线是指精度（Precision）和召回率（Recall）之间的关系曲线，它是用于评估信息检索系统、文本分类系统等的性能的一种常用方法。在PR曲线中，横轴表示召回率，纵轴表示精度，曲线上每一点的坐标表示在该召回率下...
用于yolo计算mAP和PR曲线使用
10-19
PR曲线可以帮助我们理解模型在各种阈值下的表现，并找到最佳的平衡点。 在给定的四个Python文件中： 1. `voc_eval.py` 和 `voc_eval_py3.py` 可能是两种版本的PASCAL VOC评估工具，PASCAL VOC是一个广泛使用的图像...
显著性检测PR曲线
06-08
显著性检测中画PR曲线的代码，需要自己生成的显著图和Ground Truth。
【机器学习】PR曲线
weixin_54365065的博客
11-07 6732
机器学习基础——绘制PR曲线
关于精确率与召回率、PR曲线的理解
qq_43631971的博客
11-01 867
关于精确率与召回率、PR曲线的理解 1.精确率        precision在西瓜书上被称作查准率 P=TPTP+NP=被判定成正例的正例被判定成正例的正例+被判定成正例的反例......(1)P=\frac{TP}{TP+NP}=\frac{被判定成正例的正例}{被判定成正例的正例+被判定成正例的反例}......(1)P=TP+NPTP​=被判定成正例的正例+被判定成正例的反例被判定成正例的正例​......(1)       &
关系抽取之PR曲线解读
drewings的博客
04-01 793
1. 请画出以下两个分类器分类 PR 曲线 对分类器1按P(+/X)P(+/X)从大到小排序： + + + + - + - - P 1/1 2/2 3/3 4/4 4/5 5/6 5/7 5/8 R 1/5 2/5 3/5 4/5 4/5 5/5 ...
PR曲线详解
gz7seven
08-13 6万+
目录PR曲线概念precision（精准率）和recall（召回率）PR曲线功能说明 PR曲线概念 PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。 precision（精准率）和recall（召回率） 上述中介少了PR曲线的实质代表为precision（精准率）和recall（召回率），但是这二者是什么呢？下面咱们进行相关的讲述。 首先，我们了解一下混淆矩阵，如下表
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
PR曲线
qq_39114535的博客
03-19 3894
指标 Precision查准率。 Recall查全率。​​​ mAP和IOU以及置信度阈值关系 TP: IoU>0.5的检测框数量（同一Ground Truth只计算一次） FP: IoU<=0.5的检测框，或者是检测到同一个GT的多余检测框的数量 增加置信度阈值，我们会对预测值更有信心，即增加了查准率。但这样会降低查全率。（High Precision, Low Recall） 减小置信度阈值，则模型放过的真例就变少，查全率就增加。（Low Precision, High Recall） 进而
查准率,查全率,PR曲线,ROC 曲线的含义
qxqsunshine的博客
03-12 1386
PR曲线 可算是明白了 precision recall曲线
乱七八糟的笔记
07-16 5万+
Inst#是样本序号，图中有20个样本。Class是ground truth 标签，p是positive样本（正例）,n当然就是negative（负例） score是我的分类器对于该样本属于正例的可能性的打分。因为一般模型输出的不是0,1的标注，而是小数，相当于置信度。 然后设置一个从高到低的阈值y，大于等于阈值y的被我正式标注为正例，小于阈值y的被我正式标注为负例。 显然，我设置n个阈值...
PR曲线图
qq_52380049的博客
11-02 1198
PR曲线的简介
PR曲线示例
最新发布
07-31
PR曲线（Precision-Recall Curve）是一种用于评估二分类模型性能的工具，尤其是在正类样本较少的情况下表现更为突出。PR曲线以召回率（Recall）为横轴，精确率（Precision）为纵轴，通过改变分类阈值，可以绘制出不同阈值下的精确率和召回率之间的关系曲线。 ### PR曲线的构建示例 为了更好地理解PR曲线，以下是一个简单的PR曲线构建示例： 假设有一个二分类问题，模型预测结果和真实标签如下： | 样本编号 | 预测概率 | 真实标签 | |----------|-----------|-----------| | 1 | 0.9 | 1 | | 2 | 0.8 | 1 | | 3 | 0.7 | 0 | | 4 | 0.6 | 1 | | 5 | 0.5 | 0 | | 6 | 0.4 | 0 | | 7 | 0.3 | 1 | | 8 | 0.2 | 0 | | 9 | 0.1 | 0 | #### 步骤： 1. **按预测概率排序**：将样本按照预测概率从高到低排序。 2. **计算每个阈值下的TP、FP、FN**： - TP（True Positive）：正确预测为正类的样本数。 - FP（False Positive）：错误预测为正类的样本数。 - FN（False Negative）：错误预测为负类的样本数。 3. **计算精确率（Precision）和召回率（Recall）**： - 精确率 $ Precision = \frac{TP}{TP + FP} $ - 召回率 $ Recall = \frac{TP}{TP + FN} $ #### 示例计算： 假设按照预测概率从高到低排序后，样本的真实标签如下： | 排序后样本编号 | 预测概率 | 真实标签 | |----------------|-----------|-----------| | 1 | 0.9 | 1 | | 2 | 0.8 | 1 | | 3 | 0.7 | 0 | | 4 | 0.6 | 1 | | 5 | 0.5 | 0 | | 6 | 0.4 | 0 | | 7 | 0.3 | 1 | | 8 | 0.2 | 0 | | 9 | 0.1 | 0 | 通过逐步增加阈值，可以计算出每个阈值下的精确率和召回率： - **阈值 = 0.9**：TP = 1，FP = 0，FN = 3 - Precision = $ \frac{1}{1+0} = 1.0 $ - Recall = $ \frac{1}{1+3} = 0.25 $ - **阈值 = 0.8**：TP = 2，FP = 0，FN = 2 - Precision = $ \frac{2}{2+0} = 1.0 $ - Recall = $ \frac{2}{2+2} = 0.5 $ - **阈值 = 0.7**：TP = 2，FP = 1，FN = 2 - Precision = $ \frac{2}{2+1} = 0.67 $ - Recall = $ \frac{2}{2+2} = 0.5 $ - **阈值 = 0.6**：TP = 3，FP = 1，FN = 1 - Precision = $ \frac{3}{3+1} = 0.75 $ - Recall = $ \frac{3}{3+1} = 0.75 $ - **阈值 = 0.5**：TP = 3，FP = 2，FN = 1 - Precision = $ \frac{3}{3+2} = 0.6 $ - Recall = $ \frac{3}{3+1} = 0.75 $ - **阈值 = 0.4**：TP = 3，FP = 3，FN = 1 - Precision = $ \frac{3}{3+3} = 0.5 $ - Recall = $ \frac{3}{3+1} = 0.75 $ - **阈值 = 0.3**：TP = 4，FP = 3，FN = 0 - Precision = $ \frac{4}{4+3} = 0.57 $ - Recall = $ \frac{4}{4+0} = 1.0 $ ### PR曲线图解 根据上述计算结果，可以绘制PR曲线。以下是Python代码示例，使用`sklearn`库绘制PR曲线： ```python from sklearn.metrics import precision_recall_curve import matplotlib.pyplot as plt # 真实标签和预测概率 y_true = [1, 1, 0, 1, 0, 0, 1, 0, 0] y_scores = [0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1] # 计算精确率、召回率和阈值 precision, recall, thresholds = precision_recall_curve(y_true, y_scores) # 绘制PR曲线 plt.plot(recall, precision, marker='.') plt.xlabel('Recall') plt.ylabel('Precision') plt.title('Precision-Recall Curve') plt.grid(True) plt.show() ``` ### PR曲线的特点 1. **高召回率与高精确率的权衡**：PR曲线反映了在不同阈值下模型的精确率和召回率之间的权衡关系。 2. **适用于类别不平衡的数据集**：PR曲线在类别不平衡的情况下表现优于ROC曲线。 3. **曲线下面积（AUC-PR）**：PR曲线下的面积可以作为模型性能的量化指标，面积越大，模型性能越好。 通过上述示例和代码，可以直观地理解PR曲线的构建过程和应用场景。
评论
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