這兩天寫論文中，本來設計的是要畫這個Precision-Recall Curve的，因為PRC是從信息檢索中來的，而且我又做的類似一個檢索，所以要畫這個圖，但是我靠，竟然發現不好畫，找了很多資料等。最后也沒畫好，多么重要好看實用的圖啊，可惜了。

今天就花了一點功夫，專門為自己弄了個工具包，用來計算多分類問題中的Precision-Recall Curve、混淆矩陣Confusion Matrix并且進行可視化輸出。

不過Precision-Recall Curve對于每一類的畫法還是很有講究的，我們知道對于二類問題，像是檢索中的問題，最后的查全率、查準率基本都是最后計算一對值就行了，但是就一對值，一個點是畫不出曲線來的，所以在實際的曲線過程中，是這樣的：

1、首先得分為正負兩類，多類問題真對每一類都可以映射過去

2、按照決策值（分類問題每一個樣本肯定會有一個支持分類的概率或者置信度等等，像是libsvm的dec_values的矩陣），按照從小到大的順序進行排序

3、然后分別計算全部樣本、全本樣本-1、全部樣本-2、...........、一直計算完畢，每一次都會有查全率查準率，就可以曲線了，這里我說的很粗糙，詳細的可以查看我的代碼，當然也有函數參考的別人的，也做了說明。

??correct result / classification??E1E2obtained
result / classificationE1E2

tp (true positive)	fp (false positive)
fn (false negative)	tn (true negative)

Precision and recall are then defined as:

Recall in this context is also referred to as the True Positive Rate, other related measures used in classification include True Negative Rate and Accuracy:^[1]. True Negative Rate is also called Specificity.

------------------

我的計算這些東西的代碼包：

PG_Curve.zip: Matlab code for computing and visualization: Confusion Matrix, Precision/Recall Curve, ROC, Accuracy, F-Measure etc. for Classification.

紅色的跳躍的就是最原始的曲線，綠色的是一個人的平滑算法。

from:?http://www.zhizhihu.com/html/y2010/2447.html

總結

以上是生活随笔為你收集整理的多分类问题中每一类的Precision-Recall Curve曲线以及ROC的Matlab画法的全部內容，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。