ROC+PR评价指标计算


学习内容:

https://zhuanlan.zhihu.com/p/364253497

ROC

ROC曲线最早在二战期间用在电子工程和雷达工程中,用于军事目标检测。后来也被用在心理学、医学、机器学习等领域的模型效果评估。

它的横坐标为TPR(true positive rate),也称为真正例率,表示真实样本的Positive samples中有多少被预测为Positive。TPR的计算方法和Recall的计算方法完全一样。

它的纵坐标为FPR(false positive rate),也称为假正例率,表示真实样本的Negative samples中有多少被预测为Positive。

ROC-AUC是ROC曲线与横轴的面积,

ROC AUC分数等同于计算预测值与目标值之间的排名相关性。它也可以解释为:从样本中随机找出来一个Positive样本和一个Negative样本,这个Positive样本获得比Negative样本更高分数的概率。

例如,一个模型的ROC-AUC是0.8,那么随机给定一个正样本和负样本,有80%的概率模型给正样本的打分比对于负样本的打分高。此时,我们关心的是两类样本的相对排序,而不是每一个样本预测的概率是否准确
提示:这里可以添加要学的内容


PR

PR曲线的名字就是图像的横纵坐标:的纵轴为Precision,横轴为Recall。

学习时间:

提示:这里可以添加计划学习的时间

例如:

  • 周一至周五晚上 7 点—晚上9点
  • 周六上午 9 点-上午 11 点
  • 周日下午 3 点-下午 6 点

学习产出:

提示:这里统计学习计划的总量

例如:

  • 技术笔记 2 遍
  • CSDN 技术博客 3 篇
  • 习的 vlog 视频 1 个

你可能感兴趣的:(目标检测,python,人工智能)