使用python畫precision-recall曲線的代碼是：

sklearn.metrics.precision_recall_curve(y_true, probas_pred, pos_label=None, sample_weight=None)

以上代碼會根據預測值和真實值，并通過改變判定閾值來計算一條precision-recall典線。

注意：以上命令只限制于二分類任務

precision(精度)為tp / (tp + fp)，其中tp為真陽性數，fp為假陽性數。

recall(召回率)是tp / (tp + fn)，其中tp是真陽性數，fn是假陰性數。

參數：

• y_true：array, shape = [n_samples]：真實標簽。如果標簽不是{-1,1}或{0,1}，那么pos_label應該顯式給出。
• probas_pred：array, shape = [n_samples] ：正類的預測概率或決策函數
• pos_label：int or str, default=None：正類標簽。當pos_label=None時，如果y_true為{- 1,1}或{0,1}，則pos_label設置為1，否則將報錯。

返回值：

• precision：array, shape = [n_thresholds + 1]：精度，最后一個元素是1。
• recall：array, shape = [n_thresholds + 1]：召回率，最后一個是0
• thresholds：array, shape = [n_thresholds <= len(np.unique(probas_pred))]：用于計算精度和召回率的決策函數的閾值

例子：

import numpy as np from sklearn.metrics import precision_recall_curve y_true = np.array([0, 0, 1, 1]) y_scores = np.array([0.1, 0.4, 0.35, 0.8]) precision, recall, thresholds = precision_recall_curve(y_true, y_scores) >>> precision array([0.66666667, 0.5, 1., 1.]) >>> recall array([1., 0.5, 0.5, 0.]) >>> thresholds array([0.35, 0.4, 0.8])

sklearn.metrics.average_precision_score則計算預測值的平均準確率（AP: average precision）。該分數對應于presicion-recall曲線下的面積。該值在0和1之間，而且更高更好。?

sklearn.metrics.average_precision_score(y_true, y_score, average='macro', pos_label=1, sample_weight=None)

參數：

y_true：array, shape = [n_samples] or [n_samples, n_classes]

二元真實標簽或二元標簽指示器

y_score：array, shape = [n_samples] or [n_samples, n_classes]

目標分數，可以是正類的預測概率，置信度，或者無閾值決策

average：string, [None, ‘micro’, ‘macro’ (default), ‘samples’, ‘weighted’]

pos_label：int or str (default=1)

返回值：

average_precision：float

舉例：

import numpy as np from sklearn.metrics import average_precision_score y_true = np.array([0, 0, 1, 1]) y_scores = np.array([0.1, 0.4, 0.35, 0.8]) average_precision_score(y_true, y_scores) # 0.83...

?

總結

以上是生活随笔為你收集整理的python画PR曲线（precision-recall曲线）的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。