对于PRC和ROC曲线衡量分类器效果的思考

最新推荐文章于 2025-04-07 18:47:28 发布
原创 最新推荐文章于 2025-04-07 18:47:28 发布 · 5.2k 阅读 · 5 ·
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 #类别不平衡 #效果评估

本文探讨了在正负样本不平衡的情况下，PRC和ROC曲线作为分类器效果评估工具的差异。PRC对样本比例敏感，能显示模型在不平衡数据中的表现，而ROC曲线则相对不敏感，更多地反映模型自身的预测能力。因此，可以结合两者来选择和优化分类器，ROC用于初步评估，PRC用于深入分析不平衡数据的影响。

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，调和F值，ROC等来衡量分类器的效果。


我们的问题是：在正负样本比例不平衡时，PRCurve和ROCCurve哪个更能衡量分类器的效果？


在进行不平衡数据学习时，我们往往把少数量的样本标记成正样本（positive），然后进行样本的学习和预估。

PRC和ROC在面对不平衡数据时的表现是不同的。在数据不平衡时，PRC曲线是敏

最低0.47元/天 解锁文章
LLC谐振变换器详解（二）| 谐振拓扑比较
2301_76606324的博客
11-11 3433
为基本变换单元，利用电路发生谐振时，电流或电压周期性地过零点，使得开关器件在零电压或者零电流条件下开通或者关断，从而实现软开关，达到降低开关损耗的目的。此时时电路的阻抗为最小值R，此时电路总电压主要加在电阻上，电流达到最大值，电路呈现纯电阻性，电流与电压同相位。由于谐振腔是不参与功率转换的，其阻抗很高的话，则谐振腔里的能量更高，这部分能量纯粹在做环流交换（返回到输入端，无功），而且增加了MOSFET的电流应力。,发生谐振时电路的导纳最小，等效阻抗最大，在激励电流一定时，电压的有效值最大。
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曲线和PR曲线
最新发布
2301_81145896的博客
04-07 788
模型正确预测正例的比例，公式为：：真正例（实际为正且预测为正）：假负例（实际为正但预测为负）：模型错误预测正例的比例，公式为：：假正例（实际为负但预测为正）：真负例（实际为负且预测为负）：模型输出概率或分数的临界值，用于划分正负类。调整阈值会改变TPR和FPR。
ROC PRC
orangerfun的博客
08-11 641
1. ROC和ROC AUC ROC曲线是一种评定二分类模型对正类预测效果的曲线图。x 轴是假阳率（FPR），y 轴是真阳率（TPR） FPR=FPFP+TNFPR = \frac{FP}{FP+TN}FPR=FP+TNFP​ 反例说错了多少 TPR=TPTP+FNTPR = \frac{TP}{TP+FN}TPR=TP+FNTP​ 正例里预见了多少 所以，ROC 曲线可以理解为正例里预见了多少（y 轴）对上反例说错了多少（x 轴） 理想情况下，当然希望是正例全都判断对的比例为 1（图像顶部），说错的反
ROC曲线 vs Precision-Recall曲线
ytusdc的博客
07-30 2687
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
二分类模型评价指标-ROC&PRC
此心安处是吾乡
05-07 4216
先Mark~一定补 2017-05-07符号TP、FN、FP、TN解释见下图： - 精确率(Precision）：预测为“真”的样本中，确实是真的的占比 - 召回率（Recall）：所有确实为真的样本中，被判为的“真”的占比 - TPR（True Positive Rate）：真阳性、同Recall - FPR（False Positive Rate）：假阳性，所有确实为假的样本
理解 ROC 和 PRC
莫彩的博客
11-24 1831
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曲线及PR曲线
qq_62541359的博客
10-23 1381
跟TPR和FPR不一样的是，在PR关系中，是一个此消彼长的关系，但往往我们希望二者都是越高越好，所以PR曲线是右上凸效果越好（也有例外，有比如在风险场景当预测为1实际为0时需要赔付时，大致会要求Recall接近100%，可以损失Precision）。绘制图线同样的道理，我们要产生随机的概率，表示每个样本例子为正例的概率，然后通过这些概率进行从大到小的排序，再按此顺序逐个样本的选择阈值，大于阈值的概率的样例为正例，后面的全部为反例。ROC曲线和PR曲线的形状和性能评估指标是相关的，但并不完全相同。
深度学习中ROC曲线和PR曲线及引申的相关知识
weixin_41714523的博客
05-04 1531
接受者操作特性曲线（receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。得此名的原因在于曲线上各点反映着相同的感受性，它们都是对同一信号（代表第二章的阈值）刺激的反应，只不过是在几种不同的判定标准下所得的结果而已。接受者操作特性曲线就是以虚惊概率为横轴，击中概率为纵轴所组成的坐标图，和被试在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线 [1]。
ROC曲线与PR曲线
abc200941410128的博客
07-22 5069
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
曲线绘制_roc_ROC曲线绘制_PRC_auc曲线绘制_
10-03
roc，prc，auc曲线绘制，帮助解决二分类问题的图像绘制处理
分类评估方法：精确率与召回率。ROC曲线与AUC指标、ROC曲线图绘制。
あずにゃん梓喵的博客
08-10 2312
日萌社 人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新） 3.4 分类评估方法 1.分类评估方法 1.1 精确率与召回率 1.1.1 混淆矩阵 在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)...
单调谐回路谐振放大器等效电路分析_LLC谐振电路参数计算
weixin_36373013的博客
12-11 7160
一、引言不断增加的开关电源功率密度，已经受到了无源器件尺寸的限制。采取高频运行，可以大大降低无源器件，如变压器的和滤波器的尺寸。但是过高的开关频率将会带来更多的开关损耗。为了降低开关损耗和容许高频运行，谐振开关技术已经得到了发展。这些技术采用正弦方式处理电力，开关器件能够实现软换流。使得开关损耗与噪声大为降低。在谐振变换器中，最简单和最常规的谐振变换器为LC串联谐振变换器，通过LC谐振变...
【机器学习】PRC（PR曲线）
littlemichelle
03-24 2万+
与ROC和AUC密不可分，复习的时候觉得PRC也单独写一篇。 问题源自：如何判断一个数据集正负样本是均衡的？ PR和ROC在面对不平衡数据时的表现是不同的。在数据不平衡时，PR曲线是敏感的，随着正负样本比例的变化，PR会发生强烈的变化。而ROC曲线是不敏感的，其曲线能够基本保持不变。 ROC的面对不平衡数据的一致性表明其能够衡量一个模型本身的预测能力，而这个预测能力是与样本正负比例无关的。但...
机器学习基础---分类与检测的评价指标---AP，mAP，PR曲线
xys430381_1的专栏
06-04 2万+
AP和mAP是图像分类任务中的评价方法。 AP 首先，AP也是对所有图片内的某一类来说的。 AP的计算方法： 1、首先使用训练好的模型获得所有测试样本的confideutnce score，每个类别（如person、car等）都会获得一组confidence score，假设现在共有20个测试样本，如下给出这20个样本的id、confidence score、真实标签ground truth la...
使用Python画ROC曲线和PRC曲线
ZGY9542的博客
04-16 4746
受试者工作特征曲线（Receiver operating characteristic curve，ROC） 精确召回曲线（Precision recall curve，PRC）
准确度-召回率曲线(PRC)
m0_59834108的博客
10-14 269
关于准确度-召回率曲线的解释： 准确度（precision）、召回率（recall）和PR曲线 - 知乎 (zhihu.com)上文中提到一个分类器，分类器的解释：在机器学习中，分类器是干什么用的？_分类器可以用什么-优快云博客
PR曲线和ROC曲线
m0_66109479的博客
10-23 829
5.如果有多份数据且存在不同的类别分布，比如信用卡欺诈问题中每个月正例和负例的比例可能都不相同，这时候如果只想单纯地比较分类器的性能且剔除类别分布改变的影响，则ROC曲线比较适合，因为类别分布改变可能使得PR曲线发生变化时好时坏，这种时候难以进行模型比较；反之，如果想测试不同类别分布下对分类器的性能的影响，则PR曲线比较适合。7.最后可以根据具体的应用，在曲线上找到最优的点，得到相对应的precision，recall，f1 score等指标，去调整模型的阈值，从而得到一个符合具体应用的模型。
掌握ROC与PRC曲线：AUC值绘制实践
AUC值是ROC曲线下面积的衡量标准，它提供了一个单一的数值来描述分类器性能。一个随机猜测的模型的AUC值为0.5，而一个完美的分类器的AUC值为1。AUC值可以提供一个快速的模型性能概览，并且在比较不同模型时非常有用...
评论 2
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