PR详解及二分类的PR曲线绘制

Posted 2021-05-24 Data+Science+Insight

PR详解及二分类的PR曲线绘制

 

从混淆矩阵可见：

要提高Precesion，只要让预测为正样本的阈值尽可能高（最高为1，即只有当100%认为是正样本时才会被预测为正），即只有极大概率为正才会被预测为正，这样一来，在正样本数巨多的情况下，recall接近0，但precision会很高（有限的被预测为正的样本都有极大可能是正样本）

反过来，若要提高recall，只需让阈值很低，取极限，阈值为0，所有样本都被预测为正样本，那recall=1（阈值为0时，recall一定由图可见，当召回率接近于0时，模型A的精确率为0.9，模型B的精确率是1， 这说明模型B得分前几位的样本全部是真正的正样本，而模型A即使得分最高的几 个样本也存在预测错误的情况。并且，随着召回率的增加，精确率整体呈下降趋 势。但是，当召回率为1时，模型A的精确率反而超过了模型B。这充分说明，只用 某个点对应的精确率和召回率是不能全面地衡量模型的性能，只有通过P-R曲线的 整体表现，才能够对模型进行更为全面的评估。是等于1，而不是趋近于1）;