PR曲线 ROC曲线的 计算及绘制

    在linear model中,我们对各个特征线性组合,得到linear score,然后确定一个threshold,linear score < threshold 判为负类,linear score > threshold 判为正类。画PR曲线时, 我们可以想象threshold 是不断变化的。首先,threshold 特别大,这样木有一个是正类,我们计算出查全率与查准率; 然后 threshold 减小, 只有一个正类,我们计算出查全率与查准率;然后 threshold再减小,有2个正类,我们计算出查全率与查准率;threshold减小一次,多出一个正类,直到所有的类别都被判为正类。 然后以查全率为横坐标,差准率为纵坐标,画出图形即可。

例如,有

实际类别 linear score threshold  为6 threshold  为5 threshold  为4 threshold  为3 threshold  为2 threshold  为1  
+ 5.2   - + + + + +  
+ 4.45   - - + + + +  
- 3.5   - - - + + +  
- 2.45 - - - - + +  
- 1.65 - - - - - +  
    0/0 1 / 1 2 / 2 2 / 3   2 / 4 2 / 5 查准率
    0/2 1 / 2 2 / 2  2/ 2 2 / 2 2/ 2 差全率
    0/2 1/2 2/2 2/2 2/2 2/2 TPR
      0/3 0/3 1/3 2/3 3/3 FPR

 

image

行是实际的类,列是分类器得到的类别。常用的术语如下:

真阳性(TP)——正确的肯定 
真阴性(TN)——正确的否定 
假阳性(FP)——错误的肯定,假报警,第一类错误 
假阴性(FN)——错误的否定,未命中,第二类错误

查全率: 预测为正的里面,实际为正的比例。

查准率:预测为正,实际为正 占的比例。

真正例率(TPR)  = 查全率 
TPR = TP / P = TP / (TP+FN)

假正例率(FPR) 
FPR = FP / N = FP / (FP + TN)

 

 

 

 PR

 1 import matplotlib
 2 import numpy as np  
 3 import matplotlib.pyplot as plt  
 4 Recall = np.array([0,1/2,2/2,2/2,2/2,2/2])
 5 Precison = np.array([1/1,2/2,2/3,2/4,2/5,0])
Precison = np.array([0,1/1,2/2,2/3,2/4,2/5])

6 plt.figure() 7 plt.ylim(0,1.1) 8 plt.xlabel("Recall") 9 plt.xlim(0,1.1) 10 plt.ylabel("Precison") 11 plt.plot(Recall,Precison) 12 plt.show()

 

 

 

 

 

ROC与PR类似,只是横坐标与纵坐标换成成了FPR与TPR,这样FPR与TPR计算时,分母不变,画图更加方便。

绘图过程:给定m1 个正例,m2 个负例. linear score 排序。

在坐标(0,0)标一个点,然后改变阈值,多出一个预测正例,

设当前的坐标为(x,y),当前若为真正例,则对应坐标点的坐标为(x,y+1/m1),当前若为假正例,则对应坐标点的坐标为(x+1/m2,y)

 1 import matplotlib
 2 import numpy as np  
 3 import matplotlib.pyplot as plt 
 4 FPR = np.array([0/3,0/3,0/3,1/3,2/3,3/3])
 5 TPR = np.array([0/2,1/2,2/2,2/2,2/2,2/2])
 6 
 7 plt.figure()
 8 plt.ylim(-0.1,1.5)
 9 plt.xlabel("FPR")
10 plt.xlim(-0.1,1.5)
11 plt.ylabel("TPR")
12 plt.plot(FPR,TPR)
13 plt.show()

 

 

 

 

 

 

posted @ 2017-05-08 14:54  乐乐章  阅读(19680)  评论(3编辑  收藏  举报