PR曲線概念

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系，一般情況下，將recall設置為橫坐標，precision設置為縱坐標。

precision（精準率）和recall（召回率）

上述中介少了PR曲線的實質代表為precision（精準率）和recall（召回率），但是這二者是什么呢？下面咱們進行相關的講述。
首先，我們了解一下混淆矩陣，如下表。

其中，把正例正確地分類為正例，表示為TP（true positive），把正例錯誤地分類為負例，表示為FN（false negative）。把負例正確地分類為負例，表示為TN（true negative）， 把負例錯誤地分類為正例，表示為FP（false positive）。
從混淆矩陣可以得出精準率與召回率：
precision = TP/(TP + FP)
recall = TP/(TP +FＮ)

PR曲線功能說明

一條PR曲線要對應一個閾值（統計學的概率）。通過選擇合適的閾值(比如K%)對樣本進行合理的劃分，概率大于K%的樣本為正例，小于K%的樣本為負例，樣本分類完成后計算相應的精準率和召回率，最后我們會得到對應關系，如下圖所示。

在眾多學習器對數據進行學習后，如果其中一個學習器的PR曲線A完全包住另一個學習器B的PR曲線，則可斷言A的性能優于B。但是A和B發生交叉，那性能該如何判斷呢？我們可以根據曲線下方的面積大小來進行比較，但更常用的是平衡點F1。平衡點（BEP）是P=R時的取值（斜率為1），F1值越大，我們可以認為該學習器的性能較好。F1的計算如下所示：
F1 = 2 * P * R ／( P + R )

總結

以上是生活随笔為你收集整理的PR曲线详解(只要你用过PR)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。