precision/recall和roc曲線的基本介紹可以看我的另一篇部落格：
接下來我們引入混淆矩陣：
當我們對樣本進行分類時，會分成正例樣本（記為1）和負例樣本（記為0），根據分類結果與原始分類，可以計算出相應的混淆矩陣。那麼則有：
precision(pre)=true positive rate=tp/(tp+fp)
recall(sen)=tp/(tp+fn)
spe=tn/(fp+tn)
false positive rate=1-spe=fp/(fp+tn)
precision/recall曲線的橫座標為recall，縱座標為precision
roc曲線的橫座標為false positive rate，縱座標為true positive rate
PR曲線與ROC曲線
pr曲線中的p代表的是precision 精準率 r代表的是recall 召回率 其代表的是精準率與召回率的關係，一般情況下，將recall設定為橫座標，precision設定為縱座標。在機器學習中，分類器往往輸出的不是類別標號，而是屬於某個類別的概率值，根據分類器的 結果從大到小對樣例進行排序，排...
P R曲線和ROC曲線
混淆矩陣又稱錯誤矩陣，指每個類別下，模型 結果的類別和數量在乙個矩陣中展示出來。真實標籤 為正 為負 真實為正 tpfn 真實為負 fptn 又稱為 tpr true positive rate 或者 敏感度sensitivity 通俗理解 真實為正的樣本中識別為正的佔比。t pr tpt p fn...
ROC曲線與PR曲線對比
tpr tpp tpt p fn tpr frac frac tpr pt p t p fn tp fpr fpn fpf p tn fpr frac frac fpr nf p f p tn fp roc曲線的縱座標為tpr，真正率，其實也是召回率。分母為所有實際正樣本。roc曲線的縱座標為fpr...