积分商城

最新搜索： 方禾 F66-B authorware4.0 凌阳 UDS rk3588 蓝桥杯
您现在的位置是：首页 > 技术资料 > PR曲线与PR-AUC概述.docx
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

PR曲线与PR-AUC概述.docx

更新时间：2026-08-16 14:18:23 大小：16K 上传用户：烟雨查看TA发布的资源 标签：PR曲线PR-AUC精确率召回率二分类模型评估 下载积分：2分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

PR曲线与PR-AUC

核心概念定义

PR曲线，全称精确率-召回率曲线（Precision-Recall Curve），是机器学习二分类任务中评估模型性能的重要可视化工具，PR-AUC则是PR曲线下的面积（Area Under the Precision-Recall Curve），是量化模型整体性能的评价指标。

在二分类问题中，模型通常会输出样本为正类的概率，我们需要设定一个概率阈值，概率大于阈值的判定为正例，小于阈值的判定为负例。根据预测结果与真实标签的对应关系，可以得到四个基础统计量：

1. 真正例（TP）：真实标签为正，预测结果也为正的样本数量

2. 假正例（FP）：真实标签为负，预测结果为正的样本数量

3. 真负例（TN）：真实标签为负，预测结果也为负的样本数量

4. 假负例（FN）：真实标签为正，预测结果为负的样本数量

基于上述四个统计量，可以得到PR曲线两个核心坐标维度的计算方式：

· 精确率（Precision，P）：又称查准率，指所有被预测为正例的样本中，真实确实为正例的比例，公式为 。精确率衡量的是模型预测正例的准确程度，精确率越高说明模型把负例错判为正例的情况越少。

· 召回率（Recall，R）：又称查全率，指所有真实正例中，被模型正确预测为正例的比例，公式为 $R = \frac{TP}{TP+FN}$。召回率衡量的是模型找出所有正例的能力，召回率越高说明模型漏掉真实正例的情况越少。

PR曲线的绘制逻辑


部分文件列表

文件名 大小
PR曲线与PR-AUC概述.docx 16K

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号