65-Precision-Recall曲线

最新推荐文章于 2025-06-10 10:31:42 发布

蓝子娃娃

最新推荐文章于 2025-06-10 10:31:42 发布

阅读量2.5k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：机器学习

本文链接：https://blog.csdn.net/qq_41033011/article/details/109196654

机器学习专栏收录该内容

89 篇文章

订阅专栏

本文通过可视化方式探讨了Precision-Recall曲线的变化规律，并介绍了如何利用该曲线来评估模型性能。当一个模型的PR曲线完全覆盖另一个模型的曲线时，表明前者性能更优。此外，文章还提到了另一种常用的模型评估方法——ROC曲线。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这篇博客我将用可视化的方法更直观的看到精准率和召回率之间的关系。

Precision-Recall曲线

在这里插入图片描述

最后对于 Precision-Recall 曲线整体是这样趋势的一条直线：

在这里插入图片描述

这条曲线随着 $P r e c i s i o n$ 的值的增大 $R e c a l l$ 值逐渐降低。假设我们有两个算法，对于同一个算法中我们用两组超参数来训练，那么每训练出一个模型就可以对应一个 Precision-Recall 曲线，如果另外一个算法得到的 PR 曲线（外层曲线）是这样的：
在这里插入图片描述
它整体都在前一根曲线的外面，这样的一个结果就明显可以得出外面的曲线所对应的模型是优于里面这个模型的，因为外面的曲线所对应的 $P r e c i s i o n$ 和 $R e c a l l$ 值都比里面的曲线的大。所以整体来说，外面这个曲线代表的的模型是更加好的。以此我们可以将 PR 曲线作为选择模型，选择算法，选择超参数的指标。

那么对于这个指标，我们说里外可能相对有些抽象，我们有些时候会用这根曲线和 $x$ 轴， $y$ 轴所围的面积来看模型的好坏，相应的，面积越大，模型越好。不过，在大多数情况下，我们都不用 PR 曲线的面积来衡量模型的优劣，我们会用另外一根曲线和 $x$ 轴， $y$ 轴所围的面积来衡量模型的优劣，这根曲线就是著名的 $R O C$ 曲线，我们在下一篇博客将会详细介绍。