一：关于P-R曲线：
1:1：何为P-R曲线：
P为precision即精准率（查准率），R为recall即召回率，所以P-R曲线是反映了准确率与召回率之间的关系。一般横坐标为recall，纵坐标为precision。P-R曲线
1.2：P-R曲线作用：
PR曲线常被用在信息提取领域，同时当我们的数据集中类别分布不均衡时我们可以用PR曲线 代替。是数据挖掘中常见的评价指标。
1.3：如何计算P值和R值：
首先了解混淆矩阵：
计算公式;
P（精准率）:
R（召回率）
如何理解P-R曲线（如图）：
优劣对比：
1：曲线越靠近右上方，性能越好。（例如上图黑色曲线）
2：当一个曲线被另一个曲线完全包含了，则后者性能优于前者。（例如橘蓝曲线，橘色优于蓝 色）
3：如果曲线发生交叉（黑橘曲线），判断依据：
3.1：根据曲线下方面积大小判断，面积更大的更优于面积小的。
3.2:根据平衡点F判断：平衡点是查准率与查重率相等时的点。F计算公式为F = 2 * P * R ／( P +R )，F值越大，性能越好。
二：关于Roc曲线：
2.1：何为Roc曲线：
Roc全称Receiver Operating Characteristic，即接收器操做特征曲线，坐标图式的分析工具。
2.2：Roc作用：
在机器学习（machine learning）和数据挖掘（data mining）领域同样是对学习器的泛化性能 进行评估
2.3：计算公式：
真正率：
假正率：
如何理解Roc曲线（如图）：
当ROC曲线接近于(1,0)点，表明模型泛化性能越好，接近对角线时，说明模型的预测结果为 随机预测结果．
优劣对比：
1：当一个曲线被另一个曲线完全包含了，则后者性能优于前者。
2：ＲＯＣ曲线下方的面积（ＡＵＣ）可以用来作为评估模型模型性能的指标．如当两个模型 的ＲＯＣ曲线发生交叉，则很难说哪一个模型更好，这时候可以用ＡＵＣ来作为一个比较 合理的判据
三：两者曲线对比：
1：pr曲线因为涉及到精确率precision计算，容易受到样本分布的影响。而roc曲线本质上是正样本或者负样本召回率计算，不收样本分布的影响。
2：ROC曲线主要应用于测试集中的样本分布的较为均匀的情况，且当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。
3：实际问题中，正负样本数量往往很不均衡，P-R曲线的变化就会非常大，而ROC曲线则能够更加稳定地反映模型本身的好坏。
4：当正负样本比例失调时，ROC曲线变化不大，此时用PR曲线更加能反映出分类器性能的好坏。文章来源：https://www.toymoban.com/news/detail-641731.html
文章来源地址https://www.toymoban.com/news/detail-641731.html
到了这里，关于机器学习：关于P-R曲线和Roc曲线的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
