From 1a3c9f8d72cb343757ada10c4cc5b52a2d56ae94 Mon Sep 17 00:00:00 2001 From: CoderOverflow Date: Tue, 9 Apr 2019 14:08:13 +0800 Subject: [PATCH] =?UTF-8?q?2.8.2=20=E5=88=86=E7=B1=BB=E7=AE=97=E6=B3=95?= =?UTF-8?q?=E7=9A=84=E8=AF=84=E4=BC=B0=E6=96=B9=E6=B3=95=20ROC=E6=9B=B2?= =?UTF-8?q?=E7=BA=BF=E5=92=8CPR=E6=9B=B2=E7=BA=BF=20=E5=86=85=E5=AE=B9?= =?UTF-8?q?=E4=BF=AE=E8=AE=A2?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit 2.8.2 分类算法的评估方法 ROC曲线和PR曲线 内容修订 --- ch02_机器学习基础/第二章_机器学习基础.md | 4 ++-- 1 file changed, 2 insertions(+), 2 deletions(-) diff --git a/ch02_机器学习基础/第二章_机器学习基础.md b/ch02_机器学习基础/第二章_机器学习基础.md index af69652..cfbc0d2 100644 --- a/ch02_机器学习基础/第二章_机器学习基础.md +++ b/ch02_机器学习基础/第二章_机器学习基础.md @@ -179,13 +179,13 @@ - **ROC曲线和PR曲线** -​ ROC曲线是（Receiver Operating Characteristic Curve，受试者工作特征曲线）的简称，是以灵敏度（真阳性率）为纵坐标，以1-特异性（假阳性率）为横坐标绘制的性能评价曲线。可以将不同模型对同一数据集的ROC曲线绘制在同一笛卡尔坐标系中，ROC曲线越靠近左上角，说明其对应模型越可靠。也可以通过ROC曲线下面的面积（Area Under Curve, AUC)来评价模型，AUC越大，模型越可靠。 +​ ROC曲线是（Receiver Operating Characteristic Curve，受试者工作特征曲线）的简称，是以灵敏度（真阳性率）为纵坐标，以1减去特异性（假阳性率）为横坐标绘制的性能评价曲线。可以将不同模型对同一数据集的ROC曲线绘制在同一笛卡尔坐标系中，ROC曲线越靠近左上角，说明其对应模型越可靠。也可以通过ROC曲线下面的面积（Area Under Curve, AUC）来评价模型，AUC越大，模型越可靠。 ![](./img/ch2/2.7.3.png) ​ 图2.8.2.1 ROC曲线 -​ PR曲线是Precision Recall Curve的简称，描述的是precision和recall之间的关系，以recall为横坐标，precision为纵坐标绘制的曲线。该曲线的所对应的面积AUC实际上是目标检测中常用的评价指标平均精度（Average Precision, AP)。AP越高，说明模型性能越好。 +​ PR曲线是Precision Recall Curve的简称，描述的是precision和recall之间的关系，以recall为横坐标，precision为纵坐标绘制的曲线。该曲线的所对应的面积AUC实际上是目标检测中常用的评价指标平均精度（Average Precision, AP）。AP越高，说明模型性能越好。 ### 2.8.3 正确率能很好的评估分类算法吗？