仿照上篇博文对于混淆矩阵、ROC和AUC指标的探讨，本文简要讨论机器学习二分类问题中的混淆矩阵、PR以及AP评估指标；实际上，（ROC,AUC）与（PR,AP）指标对具有某种相似性。
按照循序渐进的原则，依次讨论混淆矩阵、PR和AP：
设定一个机器学习问题情境：给定一些肿瘤患者样本，构建一个分类模型来预测肿瘤是良性还是恶性，显然这是一个二分类问题。
本文中，将良性肿瘤视为正类标签（可能在具体实践中更为关注恶性肿瘤，不过这并不影响技术上的操作）。
当分类模型选定以后，将其在测试数据集上进行评估，分别可以得到以下评估指标：
混淆矩阵
TP表示预测为良性，真实情况是良性的样例数；
FN表示预测为恶性，真实情况是良性的样例数；
FP表示预测为良性，真实情况是恶性的样例数；
TN表示预测为恶性，真实情况是恶性的样例数；
以上四类数据构成混淆矩阵。
PR
在混淆矩阵的基础上，进一步地定义两个指标。
按照下式定义precision（P）指标
precision表示，预测为正的样本中有多少是真正的正样本；精准率强调对某类样本识别的准确性。
按照下式定义recall（R）指标
recall表示，样本中的正例有多少被预测正确了；召回率强调对某类样本识别的全面性。
precision,recall分别反映分类器对某一类样本鉴别能力的两个方面；通常，这两个指标呈现互斥关系，即一个指标高了往往会致使另一指标降低。
由上，一个混淆矩阵对应一对（precision,recall）
需要明确的是，P和R是建立在类别明确的预测结果之上的，即分类模型明确地指出待预测样本的类别。
然而，在二分类问题（0，1）中，一般模型最后的输出是一个概率值，表示结果是1的概率。此时需要确定一个阈值，若模型的输出概率超过阈值，则归类为1；若模型的输出概率低于阈值，则归类为0。
不同的阈值会导致分类的结果不同，也就是混淆矩阵有差，P和R也就不同。
当阈值从0开始慢慢移动到1的过程，就会形成很多对（precision,recall）的值，将它们画在坐标系上，就是所谓的PR曲线了。
AP
得到PR曲线后，就可以计算曲线下方的面积，计算出来的面积就是AP值。
一般而言，AP越大，模型的性能越好。
示例
标签：PR,混淆,样本,矩阵,指标,AP 来源： https://www.cnblogs.com/pythonfl/p/14411257.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。