小編給大家分享一下Python畫P-R曲線的方法，相信大部分人都還不怎么了解，因此分享這邊文章給大家學(xué)習(xí)，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去學(xué)習(xí)方法吧！

10年積累的成都做網(wǎng)站、網(wǎng)站設(shè)計、外貿(mào)營銷網(wǎng)站建設(shè)經(jīng)驗(yàn)，可以快速應(yīng)對客戶對網(wǎng)站的新想法和需求。提供各種問題對應(yīng)的解決方案。讓選擇我們的客戶得到更好、更有力的網(wǎng)絡(luò)服務(wù)。我雖然不認(rèn)識你，你也不認(rèn)識我。但先網(wǎng)站設(shè)計后付款的網(wǎng)站建設(shè)流程，更有天峻免費(fèi)網(wǎng)站建設(shè)讓你可以放心的選擇與我們合作。

Python如何畫P-R曲線

Python生成P-R圖需要安裝第三方庫matplotlib、numpy及sklearn。

推薦學(xué)習(xí)《Python教程》。

P-R曲線的生成方法：

根據(jù)學(xué)習(xí)器的預(yù)測結(jié)果對樣本進(jìn)行排序，排在前面的是學(xué)習(xí)器認(rèn)為最可能是正例的樣本，排在最后的是最不可能是正例的樣本，按此順序逐個將樣本作為正例預(yù)測，則每次可以計算出當(dāng)前的查全率、查準(zhǔn)率，以查全率為橫軸、查準(zhǔn)率為縱軸做圖，得到的查準(zhǔn)率-查全率曲線即為P-R曲線。

也就是說對每個樣本預(yù)測其為正例的概率，然后將所有樣本按預(yù)測的概率進(jìn)行排序，然后依次將排序后的樣本做為正例進(jìn)行預(yù)測，從而得到每次預(yù)測的查全率與查準(zhǔn)率。這個依次將樣本做為正例的過程實(shí)際上就是逐步降低樣本為正例的概率的域值，通過降低域值，更多的樣本會被預(yù)測為正例，從而會提高查全率，相對的查準(zhǔn)率可能降低，而隨著后面負(fù)樣本的增加，查全率提高緩慢甚至沒有提升，精度降低會更快。

sklearn的計算過程與定義相反是按概率從小到大遞增的順序來計算查準(zhǔn)率與查全率的，并且分別為查準(zhǔn)率和查全率添加了1和0。

#coding:utf-8
import matplotlib
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import precision_recall_curve
from sklearn.utils.fixes import signature
plt.figure("P-R Curve")
plt.title('Precision/Recall Curve')
plt.xlabel('Recall')
plt.ylabel('Precision')
#y_true為樣本實(shí)際的類別，y_scores為樣本為正例的概率
y_true = np.array([1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 0, 0, 0, 1, 0, 0, 0])
y_scores = np.array([0.9, 0.75, 0.86, 0.47, 0.55, 0.56, 0.74, 0.62, 0.5, 0.86, 0.8, 0.47, 0.44, 0.67, 0.43, 0.4, 0.52, 0.4, 0.35, 0.1])
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)
#print(precision)
#print(recall)
#print(thresholds)
plt.plot(recall,precision)
plt.show()

以上是Python畫P-R曲線的方法的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！