Numpy.float64的对象在auc中不可调用(召回，精度)
在给出答案之前，我先解释一下问题中的一些名词和概念。
- Numpy.float64：Numpy 是一个用于科学计算的 Python 库，它提供了高性能的多维数组对象和一组用于操作数组的函数。float64 是 Numpy 中的一种数据类型，表示双精度浮点数。
- AUC：AUC（Area Under the Curve）是一种常用的评价分类模型性能的指标，通常用于评估二分类问题中的模型预测结果。AUC 值的范围在 0 到 1 之间，值越接近于 1，说明模型性能越好。
现在针对问题进行回答：
在 auc 中，Numpy.float64 的对象不可调用，可能是因为 AUC 的计算过程中需要将预测结果和真实标签进行比较和排序，而 Numpy.float64 对象不具备比较和排序的方法。在计算 AUC 时，通常需要使用能够进行比较和排序的数据类型，如 Python 内置的列表（list）、数组（array）等。
针对召回和精度指标，召回（Recall）是指在所有真实为正例的样本中，被模型正确预测为正例的比例。精度（Precision）是指在所有被模型预测为正例的样本中，真正为正例的比例。
腾讯云相关产品中，可以使用云服务器（CVM）进行云计算相关任务的部署和运行，腾讯云数据库（TencentDB）提供了可扩展的数据库服务，腾讯云人工智能平台（AI Lab）提供了一系列的人工智能开发和应用服务。
希望以上回答能够满足你的要求，如果还有其他问题，请继续提问。
相关·内容
我正在问一个后续的问题，这是我以前在后提出的.我只在Python learn中使用默认设置。似乎优化是在AUC-ROC，但我更感兴趣的是优化精确召回。以下是我的密码。
# Get ROC
y_score = classifierUsed2.decision_function(X_test)
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_score)
roc_auc = auc(false_positive_rate, true_positive_rate)
print 'AUC-&#
浏览 2提问于2016-02-28得票数 6
1回答
我想了解为什么少数类("1")的精确召回曲线如此好，而对于同一个类的精度(0,2)和召回(0,4)的度量却如此糟糕。我将sklearn.metrics.plot_precision_recall_curve与pos_label=0 (多数类)和pos_label=1 (少数类)结合使用。下面您可以看到所使用的代码。
def plotagem_curvas (nome_modelo, modelo, X_test, y_test, folds, pos_label):
roc_auc = 0
ap=0
if (pos_label == 0):
classe=
浏览 0提问于2021-07-01得票数 1
回答已采纳
1回答
我想知道最好的方法是使用ApacheSpark2.4.5和PySpark (Python)评估一个合适的二进制分类模型。我想考虑不同的指标，如准确性，精确性，召回，auc和f1评分。
让我们假设如下：
# pyspark.sql.dataframe.DataFrame in VectorAssembler format containing two columns: target and features
# DataFrame we want to evaluate
df
# Fitted pyspark.ml.tuning.TrainValidationSplitModel (any a
浏览 2提问于2020-03-20得票数 21
1回答
📷
对于类不平衡的二进制分类问题，我绘制了上述精确召回曲线。类为负或正，有3018次观察，其中550次为阳性。这意味着只有大约18%的数据是积极的结果。我从这里上读到，精确召回曲线的基线是正数与观测数的比率(在平衡的数据集中，基线为0.5)。这与AUC的基线是不同的，AUC的基线总是固定的。
精确召回AUC分数仅为.44，而中华民国AUC得分为.72。这到底是什么意思？我知道，对于不平衡的数据集，中华民国是误导的，但是只有.44的精确召回似乎很低。我该怎么解释呢？这是个糟糕的分数吗？我怎样才能参照基线理解这条曲线？
浏览 0提问于2020-07-15得票数 3
我正在对数据集进行分类，并使用交叉验证进行建模。交叉验证给出了每个折叠的准确性，因为类是不平衡的，准确性是不正确的度量。我想得到AUC-ROC而不是准确性。
浏览 0提问于2019-04-20得票数 0
回答已采纳
1回答
在精确回忆曲线下，我迷失在召回值与面积之间的关系中。我使用二进制分类器对不平衡的数据集进行分类。我通过默认的sklearn python包记录了查准率-召回曲线下的召回值和区域。在我的例子中，1类是罕见的类，0类是另一类。
我训练了两个模特。第二个模型我使用过采样方法来平衡训练数据集。测试数据集在这两个模型中都从未被触及过。下面是测试数据集的记录值。
使用不平衡数据集进行培训。
召回: 0.629，auc查全率: 0.8828
平衡数据集的训练
召回: 0.8426，auc查全率: 0.884
我的问题是：
为什么召回值提高而精确召回曲线不变？
我可以说，如果我选择一个适当的阈值，第一个模型和
浏览 1提问于2021-02-16得票数 0
当我运行以下命令时程序抛出['numpy.float64' object is not callable]错误： auc(recall, precision) 直到今天，我才成功地运行了这个程序。我很感激在这方面的任何帮助，谢谢！我也用()试过了，但不起作用。 fit_logreg = LogisticRegression(class_weight='balanced', verbose=0)
fit_logreg.set_params(penalty = 'l2',
C = 0.00001,
浏览 48提问于2019-05-25得票数 2
什么是评价高度不平衡的二元分类小说的最佳指标？(例如在信用卡中发现欺诈？)
我已经检查了几个指标精确召回F1标记报告(宏avg，加权avg)，ROC，AUC，.但是，我不知道有什么更能让人接受来规避高度不平衡的二进制分类，比如信用卡欺诈检测https://www.kaggle.com/mlg-ulb/creditcardfraud。
浏览 0提问于2020-01-05得票数 6
我很少读过关于AUC计算的论文，下面的文章提到AUC可以计算为
AUC =(敏感性+特异性)/2。
分类任务绩效测度的系统分析
请让我知道它是否正确。
浏览 0提问于2017-11-30得票数 0
1回答
我想考10个班的ROC。我使用了CNN模型(keras)。我可以得到一条vs rest曲线，但我想要一对一。以下是我的代码片段。 model.compile(optimizer=keras.optimizers.Adam(0.001),
loss='categorical_crossentropy',
metrics=['acc'])
from keras.callbacks import History
history = History()
model.fit_generator(generator=tr
浏览 74提问于2020-12-03得票数 0
我有一个非常不平衡的数据集(9:1)，为此我执行了欠抽样，并实现了一个均衡的训练集(~130 k样本总后平衡)。
我正在使用RandomForest进行分类。我的测试集由不平衡的数据组成(因为在现实世界中是这样的)，使用AUC=0.873，我的ROC曲线非常好。然而，我的P曲线受到了AUC=0.547的影响.
📷
如果我平衡测试数据，我会看到一个更好的AUC；然而，这并不是地面事实在过去的表现，因此引用平衡测试数据的性能似乎不太合理。
📷
我做错了什么？我应该对不平衡的数据进行培训吗？或者有什么方法可以改善P曲线？
浏览 0提问于2018-07-31得票数 2
4回答
我有以下两个不同案例的F1和AUC评分
型号1:精度: 85.11召回: 99.04 F1: 91.55 AUC: 69.94
型号2:精度: 85.1召回: 98.73 F1: 91.41 AUC: 71.69
正确预测阳性病例的主要动机是减少假阴性病例(FN)。我应该使用F1评分并选择型号1还是使用模式2。谢谢。
浏览 0提问于2017-05-25得票数 64
我正在使用XGBoost支付欺诈检测。目标是二值分类，数据非常不平衡。每三四千笔交易中就有一笔是欺诈。
我认为评估结果的最好方法是精确召回(PR)曲线，而不是ROC曲线，因为数据是如此不平衡。
然而，在eval_metric选项中，我只看到了中华民国曲线下的区域，没有PR选项。https://github.com/dmlc/xgboost/blob/master/doc/parameter.md
此外，文档还推荐AUC http://xgboost.readthedocs.io/en/latest/how_到/param_tuning.html。
不使用精确召回(PR)曲线有意义吗？
浏览 0提问于2017-01-10得票数 15
回答已采纳
我试着在Jupyter Notebook上运行以下代码： lr = LogisticRegression(class_weight='balanced')
lr.fit(X_train,y_train)
y_pred = lr.predict(X_train)
acc_log = round(lr.score(X_train, y_train) * 100, 2)
prec_log = round(precision_score(y_train,y_pred) * 100,2)
recall_log = round(recall_score(y_train,y_pred)
浏览 195提问于2020-09-14得票数 2
回答已采纳
1回答
我偶然发现了一个三级分类问题，在这个问题中，所有比较分类器的AUC都比准确性高(通常大约高出10% )。当数据集处于平衡状态或略有不平衡时，都会发生这种情况。
现在，在看了这个答案之后：为什么对于一个分类器来说，AUC要比一个更精确的分类器高呢？，我知道，对于二进制分类，这可能会发生，因为精度通常是在0.5的阈值计算，而AUC是基于所有的阈值。
但是多类分类会发生什么呢？具体来说，精确性被定义为预测标签匹配真实标签(tf.keras.metrics.CategoricalAccuracy)的频率，而AUC被定义为每个类与其他类(1-VS-REST) (sklearn.roc_auc_得分)的加
浏览 0提问于2021-05-27得票数 1
回答已采纳
我对Keras的AUC(curve='PR')和Scikit的average_precision_score之间的区别感到非常困惑。我的目标是为Scikit-learn和Keras模型计算精确召回曲线(AUPRC)下的面积。然而，这两个指标产生的结果却大不相同！
在的TensorFlow-Keras文档中，关于AUC函数的使用，我是不是遗漏了什么？
浏览 7提问于2021-04-07得票数 3
回答已采纳
我在Kaggle上找到了这个，它包含了2013年9月欧洲持卡人在两天内通过信用卡进行的交易。数据集非常不平衡，欺诈只占所有交易的0.172%。
我想在这个数据集上实现一个(高斯)朴素贝叶斯分类器来识别欺诈交易。
我已经做了以下几件事：
将数据加载到数据帧中
将数据拆分为X和y
数据标准化
用ADASYN处理不平衡数据集
高斯朴素贝叶斯模型的建立
现在，我想评估一下这些模型：
from sklearn import metrics
metrics.accuracy_score(y_test, y_pred_class)
# Output: 0.959734277127
浏览 0提问于2018-12-14得票数 2
回答已采纳
这是我的代码：
这是您所要求的附加代码
def next_best(current_var, candidate_var, target, Revised_Basetable):
best_auc=-1
best_var=None
for v in candidate_var:
auc_v=auc(current_var + [v],target,Revised_Basetable)
if auc_v>=best_auc:
best_var=v
return(next_var)
num
浏览 8提问于2022-08-07得票数 0
对于二进制分类问题，我有一个稍微不平衡的数据集，正负比为0.6。最近，我从这个答案中了解到了auc的度量：，并决定使用它。
但我遇到了另一个链接，它声称，AUC-ROC是不敏感的阶级不平衡，我们应该使用AUC的精确召回曲线。
xgboost文档不清楚他们使用哪种AUC，它们使用AUC-ROC吗？此外，该链接提到，AUC应该使用，只有当你不关心的概率，只关心排名。
然而，由于我使用的是二进制逻辑目标，我认为我应该关心概率，因为我必须为我的预测设定一个门槛。
xgboost参数调优指南还建议了一种处理类不平衡的替代方法，方法是不平衡正负样本，使用max_delta_step = 1。
因此，有人可
浏览 0提问于2017-01-10得票数 5
我一直在尝试使用5折交叉验证来对高度不平衡的数据进行分类。我的样本量是：
总样本: 12237899
阳性样本: 1064份(占总数的0.01%)
我也想避免数据泄露。然而，我得到了相当低的平均精度分数和F-1分数。我使用加权逻辑回归来帮助我处理不平衡的数据，因为SMOTE在存在极不平衡的数据时不能很好地工作。另外，我在sklearn库中看到了F-1分数的几个选项。例如: f1 score有一个参数:average{‘微’，‘宏’，‘样本’，‘加权’，‘二进制’}。不确定我应该使用哪一个？另外，它与cross_val_score(clf，X，y，cv=5，scoring='f1'
浏览 0提问于2021-04-03得票数 1
1回答
我用Keras训练了一个二进制分类器。这是模型的定义：
model_binary = Sequential()
model_binary.add(layers.Dense(64, activation='relu',input_shape=(7,)))
model_binary.add(layers.Dropout(0.5))
model_binary.add(layers.Dense(32, activation='relu'))
model_binary.add(layers.Dropout(0.5))
model_binary.add(layers.Den
浏览 10提问于2022-10-31得票数 0
回答已采纳
1回答
所以我有一个模型，我正在训练一个多类(30-40个类)不平衡的数据集(最小的4000个样本，最大的1400万个)。数据由字符串组成，我提取单数和二进制数作为特征，加上字符串长度和熵。
我首先删除任何0方差特征(~1M -> 2k专长)，然后使用sklearn.decomposition.TruncatedSVD将其进一步减少到500专长。然后，按照原始数据中每个类的分布情况，将数据拆分为10k个样本批(最少500个样本/类)。拆分继续以这种方式进行，直到将来自最大类的所有示例添加到拆分中为止。
然后，我运行imblearn.under_sampling.RandomUnderSample
浏览 0提问于2017-11-13得票数 0
我刚刚在R中安装了ROCR包，以便计算几个性能度量，如准确率、AUC、召回率、精确度……
然而，当我计算精确度时，我不理解“截止”的含义。结果如下：
An object of class "performance"
Slot "x.name":
[1] "Cutoff"
Slot "y.name":
[1] "Accuracy"
Slot "alpha.name":
[1] "none"
Slot "x.values":
[[1]]
[1] Inf 2
浏览 3提问于2017-03-08得票数 0
2回答
机器学习中的评价指标
、、、
下面以一个二分类问题为例，如果我在训练中使用“准确性”作为度量标准，并使用ROCR包找到AUC分数，这将是如何逻辑的？或者我应该始终使用"ROC“作为计算AUC分数的度量标准？数据集不平衡。
control <- trainControl(method="cv", number=5)
fit <- train(diabetes~., data=PimaIndiansDiabetes, method="gbm", metric="Accuracy", trControl=control)
浏览 0提问于2016-10-20得票数 1
2回答
我在一个带有232:1二进制类的重不平衡数据库上使用XGBoost分类器训练一个模型。由于我的训练数据包含750 k行和320个特征(在进行了许多特征工程、特征相关滤波和低方差滤波之后)，我更喜欢使用scale_pos_weight来处理不平衡而不是过采样的数据。在使用贝叶斯优化方法优化PR参数并进行5倍交叉验证之后，我得到了以下最佳交叉验证分数：PR AUC = 4.87%, ROC AUC = 78.5%, Precision = 1.49%, and Recall = 80.4%，当我试图将结果实现到测试数据集时，结果如下：
accuracy: 0.562
roc_auc: 0.7762
浏览 0提问于2021-04-09得票数 4
我收集了两个类标签的数据集，并使用支持向量机方法对数据集进行分类，这就是结果。这看上去可疑吗？
使用支持向量机学习分类器对114859个实例进行训练，对49227个实例进行测试(培训)时间: 9.82799983025次执行(测试)时间: 3.75精度: 0.999837487558精度-召回AUC: 1.00 ROC AUC: 1.00 pos精度: 0.999822253822 pos召回: 1.0 pos F-度量: 0.999911119012 neg精度: 1.0 neg召回: 0.998107404779 neg F-度量: 0.999052806062
浏览 0提问于2016-09-06得票数 0
回答已采纳
1回答
用于跟踪模型性能的指标是什么？
、、、、
我正在研究一个班级比例为33:67的二元分类问题。
目前，我所做的是运行多个模型，如LR、SVM、RF、XgBoost进行分类。
RF和Xgboost模型表现更好。
然而，我在网上读到，模型之间的AUC、F1-score或Accuracy比较可能不是衡量模型性能的一个很好的度量标准(因为它们是敏感的)。
我知道这些是最常用的评分标准，但是您能告诉我应该寻找哪一个度量measuring binary classification model performance吗？
你能告诉我为什么我们要选择不同的标准吗？
这些是我在scikit-learn中看到的度量标准。
📷
浏览 0提问于2020-01-04得票数 2
回答已采纳
1回答
我正在尝试使用RapidMiner工作室进行一些数据挖掘。采用K值不同的K近邻算法，精度提高，K=5后精度下降。但我不明白为什么召回的价值为基本增长(如我所预期)，但召回溢价下降。精度值也是一样的。
下面是我的结果:基本和高级是我的类标签的值
用K=5
真正的基础类召回: 91.83%的类精确性: 81.18%
真高级级召回: 32.87%的类别精确度: 56.07%
用K=2
真正的基础类召回: 81.99%的类精确性: 82.94%
真高级级召回: 32.87%的类别精确度: 45.20%
浏览 0提问于2019-11-12得票数 1
回答已采纳
我正在尝试将Float64类型的阈值数组(隔离森林的pickle文件从scikit学习)转换为Float32
for i in range(len(tree.tree_.threshold)):
tree.tree_.threshold[i] = tree.tree_.threshold[i].astype(np.float32)
然后打印它
for value in tree.tree_.threshold[:5]:
print(type(value))
print(value)
我得到的输出是：
<class 'numpy.float64'&
浏览 17提问于2017-08-30得票数 38
回答已采纳
我使用ROCR对我的数据集上的各种分类算法的性能进行测量。虽然我可以使用以下代码示例相对容易地检索AUC指标：
predictions <- predict(rfmodel, test, type="prob")
pred.obj <- prediction(predictions[,2], data$response)
rfperf <- performance(pred.obj, "tpr","fpr")
print(sprintf("random forest AUC %f", as.numeric(per
浏览 0提问于2013-02-12得票数 3
回答已采纳
2回答
我目前正在使用auc-roc曲线，让我说我有一个没有排名的分类器，比如一个预测值为0和1的支持向量机，并且预测不是很容易转换成概率或分数，如果我不想绘制AUC-ROC，我只想计算AUC，看看我的模型做得有多好，我还能这样做吗？它是否仍然被称为或作为一个AUC，特别是有两个阈值可以使用(0，1)？如果是这样的话，它会和用分数来计算AUC一样好吗？
现在假设我已经决定用支持向量机(0,1)创建的标签来绘制AUC-ROC，它看起来就像下面的图片i。
它还会被认为是和AUC-曲线吗？
非常感谢您的帮助和支持。
注:我读过以下问题，但没有找到答案：
浏览 2提问于2018-04-20得票数 0
回答已采纳
我有这三个指标来完成分类任务。有人能用通俗易懂的英语告诉我，区别是什么，使用哪一种和什么时候使用？
谢谢
for name, model in fitted_models.items():
print(name, model.best_score_)
l1
0.8493863035326624
l2
0.8493863035326624
射频
0.9796513913558318
gb
0.9752980461811722
///////////////////////////////////////////////
for name, model in fitted_models.i
浏览 5提问于2022-10-05得票数 1
2回答
机器学习随机林
、、、、
我试图在一个不平衡的数据集中安装一个随机森林分类器，使用的是scikit-learn库。
我的目标是获得多少相同的值，以保证召回和精度，为此，我使用了class_weight函数的RandomForestClassifier参数。
当用class_weight = {0:1，1:1}来拟合随机森林时(换句话说，假设数据集不平衡)，我获得：
准确性: 0.79精度: 0.63召回: 0.32 AUC: 0.74
当我将class_weight更改为{0:1，1:10}时，我获得：
准确性: 0.79精度: 0.65召回: 0.29 AUC: 0.74
因此，召回和精确值几乎没有变化(即使我从10
浏览 1提问于2018-10-31得票数 1
回答已采纳
我计划使用精确召回图(PR图)来比较模型.见附图(部分截图，对不起！)如下所示。很明显，我手头上有真阳性、真负数、假阳性和假负数，我需要一个--每个模型都有一个单一的汇总量。以下是我的问题：
PR曲线下的面积是第一个量，但我不知道在R中如何计算，我不想使用像ROCR这样的软件包，因为所有的代码都是我自己写的，我希望用可用的数量来写我自己的代码。似乎有很多种方法--我希望知道哪一种是最可实现的。
另一个量是F-度量:将精确性和回忆性结合起来的度量是精度和回忆的调和平均值，是传统的F-度量或平衡F-得分。然而，我很好奇，这是比AUC在第一还是他们描述不同的事情？此外，由于我有大量的召回和精
浏览 4提问于2013-10-31得票数 2
回答已采纳
一个人告诉我，他可以预测我会从希腊2004欧洲杯足球赛中选择哪一个球员。假设我的选择是随机的。
然后他继续说出全队所有球员的名字。
他声称，他的预测是最好的，因为他取得了完美的分数--当他说出所有可能的选择时，他不可能错过我的随机选择！
他优化了什么指标？
准确性
精度
AUC
召回
相关：https://towardsdatascience.com/the-5-classification-evaluation-metrics-you-must-know-aa97784ff226
浏览 0提问于2021-07-04得票数 0
回答已采纳
python中的cross_val_score使人们能够生成各种方便的模型性能指标。这就是我用来获取ROC-AUC和回忆二进制分类模型的方法.
import sklearn
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
from sklearn import metrics
log = LogisticRegression(class_weight='balanced')
auc = cr
浏览 12提问于2022-02-16得票数 0
2回答
我正在训练一个目标探测器，我执行了评估任务。我在张板上看到了一些图表。在张流板中，什么是DetectionBoxes/AR@10 vs AR@100 vs @100(Medium)，如图所示。mAP(大型)、mAP(中型)、mAP(小)、mAP(0.50IOU)和mAP(0.75IOU)之间的区别是什么？请帮帮忙，我对此很陌生，谢谢。
浏览 0提问于2018-08-29得票数 15
回答已采纳
1回答
用于多类分类的AUC
、、、
让我们假设我们有一个3类的分类问题，并且我们有高度不平衡的数据。假设在第一类中我们有185个数据点，在第二类199中，在第三类720中。
为了计算多类问题上的AUC，有写在中的宏观平均(给予每个标签的分类相同的权重)和微观平均方法(将标签指示矩阵的每个元素视为二进制预测)。
对于这种不平衡的数据集，应该使用AUC的微观平均还是宏观平均？
我不确定，因为当我们有一个如下所示的混淆矩阵时，我得到的微观平均AUC为0.76，宏观平均AUC为0.55。
浏览 34提问于2018-08-27得票数 0
1回答
我正在预测一种疾病，并希望在我的验证和测试集的预测值上获得最高的灵敏度评分。
可以使用什么停止度量来优化验证集上的灵敏度评分？
我有大约400个观察结果。响应变量为二进制(0/1)，我有40个预测变量。
我目前的设置使用AUC作为停止度量。
df <- as.h2o(df)
split <- h2o.splitFrame(data=df, ratios=c(0.6, 0.2)) # split 60, 20, 20%
train <- h2o.assign(split[[1]], "train.hex") # 60%
valid <- h2o.assig
浏览 0提问于2017-11-30得票数 3
sklearn函数中计算的平均精度分数遵循下图所示的公式。
AP = Σ(Rn - Rn-1)Pn *The index value of the sumation is n. Please refer to the attached image for a clear version of the formula
我正在努力完全理解这个函数背后的数学原理。我特别好奇公式中的第n个阈值是如何计算的。阈值的数量是否等于样本的数量？
浏览 3提问于2021-07-20得票数 0
1回答
精确度和召回率的几何平均值
、、、、
我正在尝试制定一个自定义指标来评估ML模型。我想让精度和召回率的加权几何平均值，并以一种优先于召回率而不是精确度的方式对其进行权衡。我知道几何平均值是sqrt(精确度*召回)，但我不确定如何将其参数化，以便在python中更重视召回。这里有来自不平衡库的度量，但是我看不到我可以提供的任何权重
imblearn.metrics.geometric_mean_score(y_true, y_pred, labels=None, pos_label=1, average='multiclass', sample_weight=None, correction=0.0)
你知道如何在p
浏览 2提问于2021-01-03得票数 2
我知道我的曲线看起来总是像楼梯的形状，我可以评估中华民国的AUC。我知道我可以计算ROC曲线的AUC来比较哪一种模型更好。我想知道的是：
精确召回曲线是否具有恒定的形状/模式？
我能计算PR曲线的AUC来比较哪一个模型更好吗？
如果不是，你如何通过PR曲线对模型进行比较？
浏览 0提问于2019-05-17得票数 3
1回答
我正在评估一个推荐器，我有ROC曲线和精确召回曲线。当我改变一些参数时，ROC和PR曲线会略有不同。有时ROC曲线看起来比PR曲线更好，或者相反。因此，我想要两条曲线。我可以将ROC曲线归结为AUC，因为我有11个点的PR曲线，所以我可以取11个点的平均值来得到一个数字。
我可以以某种方式将这些度量组合为一个数字吗？这是人们经常做的事情，还是没有必要呢？
中华民国看起来比PR好，这是不是因为我不擅长解释曲线，而是主观的东西，还是一个比另一个更好是正确的？(它们并不完全不同，但我认为还是值得注意的)
编辑:基本上我不想显示成吨的图，我想要一个数字表格。你能把这些数字合并到一个表中吗？或者为每个度
浏览 5提问于2012-09-04得票数 1
2回答
当我们更关心不应该有虚假的否定，尽可能的…即。较高的召回率(视频是否适合于儿童)，我们应该使用(接收者操作特性) ROC (曲线下面积) AUC，并尽量使其最大化。
Scikit-Learn提供了一个直接计算这一点的函数：
from sklearn.metrics import roc_auc_score
roc_auc_score(y_train_5, y_scores)
同样，当我们更关心的是假阳性而不是假阴性时，例如商店里的提箱，我们该怎么办呢？
我们应该尽量扩大召回量，忽略精确性，还是有更好的衡量标准？
我在某个地方读过“使用精确与回忆曲线并得到最大值”，但不太确定这意味着什么.你能解
浏览 0提问于2018-02-25得票数 5
2回答
在信息检索的背景下，像这样的一些论文谈到了聚合精度-召回曲线(参见图3)。这些曲线与Precision-Recall曲线有什么不同？这篇文章的作者似乎对这两种曲线有所不同，因为他们将图4中显示的曲线描述为精确召回曲线，而不是聚合的精确召回曲线(参见4.5节)。
浏览 0提问于2017-04-24得票数 0
2回答
我对随机森林模型(和一般的数据科学)相当陌生，我想知道我创建的模型是否正确。
上下文:我正在创建一个随机森林模型来预测员工自愿离职。
问题:测试集的准确率为97% (AUC .992这似乎太高了，准确率为88%，召回率为99%)，而训练集的准确率为96%，但随着我们不断获得新的自愿终止，基于该模型的概率往往小于.1。也就是说，表示他们不会离开。
我想这是有意义的，考虑到在创建模型时，这些员工仍然在组织中，因此模型将他们准确地归类为公司的员工，但是准确地分类一个员工是否还在组织中是没有帮助的，我需要能够识别出那些离职概率更高的员工，这就是我对RF模型的理解(我以前使用过逻辑回归模型)。
对此我能
浏览 0提问于2019-11-07得票数 3
我使用XGBClassifier来预测用户是否会点击广告。
我正在寻求建议，以增加我对少数族裔班级的召回。
关于我的数据的：
1. Total rows: 1,266,267
2. Total clicks: 1960 rows (0.15%) => imbalanced dataset
3. Features used:
- Num of views
- Device used
- Time (categorized into 6 buckets)
- Ad category
- Site id (there are 338 unique s
浏览 0提问于2019-01-08得票数 1
1回答
我正在计算3种不同型号的精确召回分数。对于我的第一个模型，情节不匹配的auc评分是0.85，但应该是0.5。
这是我的代码：
precision, recall, thresholds = precision_recall_curve(y_test, pred1)
print(pred1)
fig, ax = plt.subplots()
ax.plot(recall, precision, color='red')
ax.set_title('Precision-Recall curve')
ax.set_ylabel('Precisio
浏览 2提问于2022-07-31得票数 0
回答已采纳
1回答
我知道Recall= TP/ (TP+FN)
假设我考虑分类器的不同上下文的召回值。在一个上下文中，我将classA作为我的积极类，将classB作为我的负面类。在另一个上下文中，我将classA作为我的负面类，将classB作为我的正面类。
在这些上下文中，让R1和R2值成为回调值
R1=TP1/(TP1+FN1)
R2=TP2/(TP2+FN2)
But TP2=FN1 and FN2=TP1
So R2=FN1/(TP1+FN1)
So R1+R2=1
这个论点有什么问题吗?我觉得有问题，因为我看到分类器正在使用recall进行评估。
同样，如果我被要求计算分类器的召回率，它是R1还是R
浏览 0提问于2016-11-08得票数 0
有哪些提示和技巧可以改进我们的auc_roc_score？
示例
undersampling? 是平衡的数据吗？是召回比精度更重要？是过采样通常比更好
再次感谢！
浏览 2提问于2020-12-20得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
