PR曲線實則是以precision（精準率）和recall（召回率）這兩個為變量而做出的曲線，其中recall為橫坐標，precision為縱坐標。設定一系列閾值，計算每個閾值對應的recall和precision，即可計算出PR曲線各個點。

precision=tp?/?(tp?+?fp)

recall=tp?/?(tp?+?fn)

可以用sklearn.metrics.precision_recall_curve計算PR曲線

from sklearn.metrics import precision_recall_curve y_true = [0, 0, 1, 1] y_score = [0.1, 0.4, 0.35, 0.8]precision, recall, thresholds = precision_recall_curve(y_true, y_score) print(precision) print(recall) print(thresholds) """ [0.66666667 0.5 1. 1.] [1. 0.5 0.5 0. ] [0.35 0.4 0.8 ] """

其中y_true是正確標簽，y_score是概率輸出值，thresholds是閾值，當y_score>=thresholds，則預測為正樣本，當y_score<thresholds，則預測為負樣本。注意，輸出的precision和recall最后一個值分別為1和0，并且沒有對應的閾值。該例子中，正樣本實際數(shù)量為2個，負樣本實際數(shù)量為2個。

• 當index=0，thresholds[index]=0.35，此時預測的標簽為[0,1,1,1]，tp=2，fp=1，fn=0，所以precision=0.67，recall=1
• 當index=1，thresholds[index]=0.4，此時預測的標簽為[0,1,0,1]，tp=1，fp=1，fn=1，所以precision=0.5，recall=0.5
• 當index=2，thresholds[index]=0.8，此時預測的標簽為[0,0,0,1]，tp=1，fp=0，fn=1，所以precision=1，recall=0.5

總結

以上是生活随笔為你收集整理的python计算PR曲线sklearn.metrics.precision_recall_curve的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。