机器学习100天(二十):020 分类模型评价指标-PR曲线

机器学习100天!今天讲的是:分类模型评价指标-PR曲线!

《机器学习100天》完整目录:目录

上一节我们已经了解了混淆矩阵的概念,并掌握了精确率、召回率的计算公式,在这里。现在我们来学习 PR 曲线的概念。

机器学习100天(二十):020 分类模型评价指标-PR曲线_第1张图片

如图中所示,P-R 曲线的 P 就是精确率(也称为查准率),R 就是召回率(也称为查全率)。以查全率作为横坐标,查准率作为纵坐标。对于同一个模型,通过调整分类阈值,可以得到不同的 P-R 值。这里的阈值就是判断正类的概率阈值,例如 0.5、0.8、0.3 等。不同的阈值,计算得到不同的 P 值和 R 值,然后将所有不同阈值下的 P-R 坐标点连接起来,就得到了 P-R 曲线。通常随着分类阈值从大到小变化,查准率减小,查全率增加。

机器学习100天(二十):020 分类模型评价指标-PR曲线_第2张图片

比较两个分类器好坏时,显然是查得又准又全的比较好,也就是说 PR 曲线越往坐标(1,1)的位置靠近越好。若一个学习器的 P-R 曲线被另一个学习器完全”包住”,则后者的性能优于前者。如果存在交叉时,可以计算曲线与两个坐标轴围住的面积,面积越大,表明模型越好!也可以通过平衡点(即查准率=查全率的点,P-R 曲线与这条虚线的交点,称为 Break-Even Point,BEP)来判断。BEP 越靠近坐标(1,1),则模型越好。

在图中,基于 BEP 的比较,可以认为模型 A 优于模型 B 和模型 C 的。

好了,今天的内容到此结束!

你可能感兴趣的:(机器学习100天,分类,人工智能,深度学习)