一：關(guān)于P-R曲線：
? ? 1:1：何為P-R曲線：
? ? ?P為precision即精準率（查準率），R為recall即召回率，所以P-R曲線是反映了準確率與召回率之間的關(guān)系。一般橫坐標為recall，縱坐標為precision。P-R曲線?
? ? 1.2：P-R曲線作用：
? ? ?PR曲線常被用在信息提取領(lǐng)域，同時當我們的數(shù)據(jù)集中類別分布不均衡時我們可以用PR曲線? ? ? ? ?代替。是數(shù)據(jù)挖掘中常見的評價指標。?
? ? 1.3：如何計算P值和R值：
? ? ?首先了解混淆矩陣：
? ? 計算公式;
? ? P（精準率）:
? ? R（召回率）
? ? ?如何理解P-R曲線（如圖）：
? ? 優(yōu)劣對比：
? ? 1：曲線越靠近右上方，性能越好。（例如上圖黑色曲線）
? ? 2：當一個曲線被另一個曲線完全包含了，則后者性能優(yōu)于前者。（例如橘藍曲線，橘色優(yōu)于藍? ? ? 色）
? ? 3：如果曲線發(fā)生交叉（黑橘曲線），判斷依據(jù)：
? ? ? ? 3.1：根據(jù)曲線下方面積大小判斷，面積更大的更優(yōu)于面積小的。
? ? ? ? 3.2:根據(jù)平衡點F判斷：平衡點是查準率與查重率相等時的點。F計算公式為F?= 2 * P * R ／(? ? ? ? ? ? P?+R )，F(xiàn)值越大，性能越好。
二：關(guān)于Roc曲線：
? ? ? ?2.1：何為Roc曲線：
? ? ?? ?Roc全稱Receiver Operating Characteristic，即接收器操做特征曲線，坐標圖式的分析工具。
? ? ? ?2.2：Roc作用：
? ? ? ?在機器學習（machine learning）和數(shù)據(jù)挖掘（data mining）領(lǐng)域同樣是對學習器的泛化性能? ? ? ? ?進行評估
? ? ? ?2.3：計算公式：? ? ? ??
? ? ? ? ? ?真正率：?
? ? ? ? ? ?
? ? ? ? ? ?假正率：
?
? ? ? ? ? 如何理解Roc曲線（如圖）：
?
? ? ? ?當ROC曲線接近于(1,0)點，表明模型泛化性能越好，接近對角線時，說明模型的預測結(jié)果為? ? ? ? ? ?隨機預測結(jié)果．
? ? ? ?優(yōu)劣對比：
? ? ? ?1：當一個曲線被另一個曲線完全包含了，則后者性能優(yōu)于前者。
? ? ? ?2：ＲＯＣ曲線下方的面積（ＡＵＣ）可以用來作為評估模型模型性能的指標．如當兩個模型? ? ? ? ? ? ? ?的ＲＯＣ曲線發(fā)生交叉，則很難說哪一個模型更好，這時候可以用ＡＵＣ來作為一個比較? ? ? ? ? ? ? ?合理的判據(jù)
三：兩者曲線對比：
1：pr曲線因為涉及到精確率precision計算，容易受到樣本分布的影響。而roc曲線本質(zhì)上是正樣本或者負樣本召回率計算，不收樣本分布的影響。
2：ROC曲線主要應用于測試集中的樣本分布的較為均勻的情況，且當測試集中的正負樣本的分布變化的時候，ROC曲線能夠保持不變。
3：實際問題中，正負樣本數(shù)量往往很不均衡，P-R曲線的變化就會非常大，而ROC曲線則能夠更加穩(wěn)定地反映模型本身的好壞。
4：當正負樣本比例失調(diào)時，ROC曲線變化不大，此時用PR曲線更加能反映出分類器性能的好壞。文章來源：http://www.zghlxwxcb.cn/news/detail-641731.html
? ?文章來源地址http://www.zghlxwxcb.cn/news/detail-641731.html
到了這里，關(guān)于機器學習：關(guān)于P-R曲線和Roc曲線的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
