一、舉個例子

總共有8個西瓜，有一個分類器，它的預測情況如下表

?設置不同閾值時，將得到不同的P值（Precision，查準率）和R值（Recall，查全率）

?

?

?

?

二、解釋

Precision-查準率-預測出來的正例中正確的比例---找得對

Recall-查全率-衡量正例被預測出來的比例---找得全

?

在機器學習中分類器往往輸出的不是類別標號，而是屬于某個類別的概率值，根據分類器的預測結果從大到小對樣例進行排序，逐個把樣例加入正例進行預測，算出此時的P、R值。
?

?

?三、繪制pr圖

模型訓練好了之后，對于二分類問題，可以預測每個測試樣本屬于某個類別的概率。
當我們設置不同閾值時，將得到不同的P值（Precision，查準率）和R值（Recall，查全率）
基于此，可以繪制PR曲線，python繪制PR曲線比較方便。
首先，可以使用precision_recall_curve函數得

import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import precision_recall_curve import matplotlib.pyplot as plt import numpy as np from sklearn.metrics import precision_recall_curveplt.figure("P-R Curve") plt.title('Precision/Recall Curve') plt.xlabel('Recall') plt.ylabel('Precision') # y_true為樣本實際的類別，y_scores為樣本為正例的概率 # y_true = np.array([1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 0, 0, 0, 1, 0, 0, 0]) # y_scores = np.array( # [0.9, 0.75, 0.86, 0.47, 0.55, 0.56, 0.74, 0.62, 0.5, 0.86, 0.8, 0.47, 0.44, 0.67, 0.43, 0.4, 0.52, 0.4, 0.35, 0.1]) y_true = np.array([0, 0, 0, 1, 0, 1, 1, 1]) y_scores = np.array([0.1, 0.2, 0.3, 0.3, 0.6, 0.7, 0.8, 0.9]) precision, recall, thresholds = precision_recall_curve(y_true, y_scores) # print(precision) # print(recall) # print(thresholds) plt.plot(recall, precision) plt.show()

?

總結

以上是生活随笔為你收集整理的机器学习基础---pr曲线的绘制的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。