机器学习11. ROC曲线、AUC值、Accuracy、Precision、Recall 含义

最新推荐文章于 2025-05-20 17:38:59 发布
最新推荐文章于 2025-05-20 17:38:59 发布
阅读量1.9k 收藏 7
点赞数
CC 4.0 BY-SA版权
文章标签： auc roc
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。
本文链接：https://blog.youkuaiyun.com/weixin_38333786/article/details/90147380

AUC/ROC，Accuracy，Precision，Recall 含义。查准率，查全率，样本均衡问题

部分图片转自这里

  • 行的True和False表示预测为正负
  • 列的Pos和Neg表示真实的正负
    在这里插入图片描述
  • 表哥说明：
    • True Positive(TP)：将正类预测为正类的数量.
    • True Negative(TN)：将负类预测为负类的数量.
    • False Positive(FP)：将负类预测为正类数（假的正类–>其实是负累预测为正） → 误报 (Type I error).（把鸟当成敌机了）
    • False Negative(FN)：将正类预测为负类数（假的负类–>其实是正类预测为负） → 漏报 (Type II error).（把敌机当成鸟了–>非常严重）
  • 准确率（Accuracy）
    • a c c = T P + T N 4 个 全 部 acc=\frac{TP+TN}{4个全部} acc=4个全部TP+TN​，表示分类正确的比例。
    • 准确率在样本不平衡时有较大缺陷。

记正负样本个数分别为： F = T P + F N F=TP+FN F=TP+FN和 N = T N + F P N=TN+FP N=

最低0.47元/天 解锁文章

200万优质内容无限畅学
[机器学习] 第二章 模型评估与选择 1.ROC、AUC、Precision、Recall、F1_score
心宝的博客
04-09 2327
1.非均衡分类问题 类别分类代价不等 例如：垃圾邮件过滤中，我们希望重要的邮件永远不要被误判为垃圾邮件。 还有在癌症检测中，宁愿误判也不漏判。 此时分类错误率的度量不充分 所以，在分类中，当某个类别的重要性高于其他类别时，可以使用Precison和Recall多个比分类错误率更好的新指标。 条件阳性（P） 数据中真实阳性病例的数量 条件否（N） 数据中实际否定案例的数量 Precision（查准率）： 预测为正例的样本中真正正例的比例。 eg: 99正 1负 预测 1正√ 99负 TP/(TP
7篇1章14节：评估和对比预测模型的ROC曲线和AUC值
DAT｜R科学与人工智能
11-13 845
ROC曲线的AUC值可以直观地衡量模型的分类能力，而通过调整ROC曲线中的判别阈值，可以帮助模型使用者在敏感性和特异性之间做出权衡。通过pROC包，R用户可以方便地绘制ROC曲线、计算AUC值、比较模型性能。
ROC、Precision、Recall和Accuracy
Yuyiin
10-20 1304
1.Precision&Recall 大多数情况下将样本分类为正例或反例的代价是不同的，当某个类别分类（正确）的重要性大于其他时，仅仅使用分类错误率来度量是不充分的，这样的度量错误掩盖了样例如何被错分的事实。 Precision（查准率）：预测为正例的样本中真正正例的比例。 TP/(TP+FP) Recall（召回率）：真正为正例的样本有多少被预测出来。 TP/(TP+FN) 例如： r...
ROC，AUC，Precision，Recall，F1的介绍与计算
SnailTyan
04-07 1万+
ROC，AUC，Precision，Recall，F1的介绍与计算
AUC与Accuracy的区别
最新发布
大多_C的博客
05-20 426
• 为什么：举个例子，如果正类仅占总体的5%，负类占95%，一个总是预测全为负类的模型也能获得95%的准确率，但这样的模型根本不能发现正样本。而 AUC 评估的是模型将正负样本打分的排序表现，即正样本的分数往往高于负样本的概率，这样的指标能更客观地评价模型识别少数类的能力。• 为什么：由于 AUC 是对 ROC 曲线所有可能阈值下的 TPR 和 FPR 组合进行综合衡量的，所以它不依赖于某个特定的阈值，而是衡量模型对正负样本的整体区分能力。– 衡量的是模型所有预测中，正确预测的比例。
对accuracy、precision、recall、F1-score、ROC-AUC、PRC-AUC的一些理解
weixin_30919919的博客
09-02 899
　　最近做了一些分类模型，所以打算对分类模型常用的评价指标做一些记录，说一下自己的理解。使用何种评价指标，完全取决于应用场景及数据分析人员关注点，不同评价指标之间并没有优劣之分，只是各指标侧重反映的信息不同。为了便于后续的说明，先建立一个二分类的混淆矩阵 ，以下各参数的说明都是针对二元分类 ...
概念：Roc, AUC, Precision, Recall
smartcat2010的博客
12-29 2169
Given a randomly chosen observation x belonging to class 1, and a randomly chosen observation x ′ belonging to class 0, the AUC is the probability that the evaluated classification algorithm will assi...
对准确率（Accuracy）、精确率（Precision）、召回率（Recall）、PR曲线、ROC曲线、F1 Score的理解
qq_29168809的博客
11-09 3105
混淆矩阵        对于一个二分类问题，预测类别与实际类别有如下表的对应关系，又称为混淆矩阵。 准确率（Accuracy）        是系统最常见的评价指标，公式 ACCR=(TP+TN)/(TP+TN+FP+FN)，其含义为，所有样本中预测正确样...
一文彻底理解机器学习 ROC-AUC 指标
sdgfafg_25的博客
06-12 2万+
ROC 曲线，即接收者操作特征曲线，ROC曲线产生于第二次世界大战期间，最早用在信号检测领域，侦测战场上的敌军载具（飞机、船舰）。现在是是用来评价二分类模型性能的常用图形工具。它通过显示真阳性率（True Positive Rate，简称 TPR）与假阳性率（False Positive Rate，简称 FPR）之间的权衡来帮助我们理解模型的分类能力。AUC，即曲线下面积（Area Under Curve），是 ROC 曲线下面积的一个数值表示。它提供了一个定量的指标，用来衡量分类模型的整体表现。
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.csdn.net/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...
机器学习中常见的评估指标：Precision、recall、F-measure、Accuracy、ROC曲线和AUC
陶将的博客
07-12 4170
在使用机器学习算法的过程中，我们需要对建立的模型进行评估来辨别模型的优劣，下文中主要介绍我在学习中经常遇见的几种评估指标。对于数据测试后，一般能够得到下面四种情况精度（precision）召回率（recall）F-measureROCAUC...
机器学习 评价指标-召回率（Recall） 精确率（Precision）准确率（Accuracy）ROC曲线和AUC值
打牛地的博客
10-07 3142
召回率（Recall） 精确率（Precision）准确率（Accuracy）ROC曲线和AUC值 是机器学习中常用的评价指标，下面用具体的事例来一一介绍每个指标的具体含义。 假设某个班级有男生80人，女生20人，共100人。目标是找出所有的女生 现在有人挑选出了50个人，其中20个是女生，另外还错误的把30个男生也当作女生挑选了出来。 下面根据一个图给大家说几个概念。 TP(True Posi...
机器学习 | 准确率、召回率、精准率、特异度傻傻分不清？ROC曲线怎么看？一篇文章帮你搞定
Huiwen18的博客
04-27 2万+
提高召回率是为了少漏报；提高精准率是为了少错报。ROC曲线纵轴为真正率，横轴为假正率
ROC、AUC、Recall、Precision、Accuracy、F1、PRC 是什么？
OOC_ZC的博客
05-03 5302
这些都是评价分类器性能的指标。 二分类问题为例： 图片来自网络 Accuracy(准确率)： (TP + TN) / (TP + TN + FN + FP) 准确率指标的问题在于如果问题为偏斜类(Skewed classes)，比如真实值中正反比例为 99:1，那预测值无脑预测均为正值，准确率就可达99%，而反例则一个也预测不出来，显然是不可理的。 由此有了Precision(精确率...
机器学习面试常考知识之准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure)、AUC、ROC的理解
DYF的博客
11-04 523
(1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP) (2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN） 准确率（正确率...
机器学习分类问题指标理解——准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积
Michael的博客
03-18 1万+
简单理解分类问题的7项模型评估指标：准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积
【机器学习笔记】：一文让你彻底理解准确率，精准率，召回率，真正率，假正率，ROC/AUC
Python数据科学
10-14 2万+
作者：xiaoyu 微信公众号：Python数据科学 知乎：python数据分析 非经作者允许，禁止任何商业转载。 ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念弄混。还有的朋友面试之前背下来了，但是一紧张大脑一片空白全...
机器学习之评价指标AUC的意义
AndyJ的学习之旅
09-09 6127
参考 概要 在互联网的排序业务中，比如搜索、推荐、广告等，AUC（Area under the Curve of ROC）是一个非常常见的评估指标。 AUC的理解 一般有两大类解释，一种是基于ROC线下面积，需要理解混淆矩阵，包括精确率、召回率、F1 值、ROC等指标的含义。另外一种是基于概率的解释，模型的排序能力。 AUC的排序特性 对比accuracy、precision等指标，AUC指标本身和模型预测score绝对值无关，只关注排序效果，因此特别适合排序业务。 为何与模型预测score值无关为何是很好
从另外一个角度解释AUC
数据派THU
01-04 304
来源：DeepHub IMBA本文约2400字，建议阅读9分钟AUC到底代表什么呢，我们从另外一个角度解释AUC。我们先看看一个auc曲线。蓝色曲线下的面积（我的模型的AUC）比红线下的面积（理论随机模型的AUC）大得多，所以我的模型一定更好。我的模型比随机模型好多少呢?理论随机模型只是对角线，这条对角线下的面积是0.5，我们的模型的AUC是0.75 那么这个0.75的AUC值究竟代表什么?首先，...
accuracy、recall、precision、F1和auc
04-28
这是关于机器学习中的性能指标的问题。这些指标用于评估分类器的性能。 - Accuracy（准确率）是...- AUC（Area Under Curve，曲线下面积）是指分类器绘制的ROC曲线下面积的大小，用于评估二分类问题的分类器性能。
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