PR曲线可算是明白了 precision recall曲线

旧城等待， 2021-12-09 06:04 324阅读 0赞

![20160721114615857][]

Inst\#是样本序号，图中有20个样本。Class是ground truth 标签，p是positive样本（正例）,n当然就是negative（负例） score是我的分类器对于该样本属于正例的可能性的打分。因为一般模型输出的不是0,1的标注，而是小数，相当于置信度。

然后设置一个从高到低的阈值y，大于等于阈值y的被我正式标注为正例，小于阈值y的被我正式标注为负例。

显然，我设置n个阈值，我就能得到n种标注结果，评判我的模型好不好使。

比如阈值0.9，只有第一个样本被我判断为正例，那么我的[查准率precision][precision]就是100%,但是[查全率recall][precision]就是10%。

阈值0.1，所有样本都被我判断为正例，查全率是100%，查准率就是50%

最后我能得到若干对precision，recall值(P,R)  :    (1, 0.1),... ,(0.5,1),将这若干对花在图上，再连接起来就是这个pr曲线了

![20160721111312507][]

参考：[https://blog.csdn.net/teminusign/article/details/51982877][https_blog.csdn.net_teminusign_article_details_51982877]

[https://tarangshah.com/blog/2018-01-27/what-is-map-understanding-the-statistic-of-choice-for-comparing-object-detection-models/][https_tarangshah.com_blog_2018-01-27_what-is-map-understanding-the-statistic-of-choice-for-comparing-object-detection-models]

对，其实最终是mAP

[20160721114615857]: /images/20211209/308b2948051e4f1b858ea90b038ecb60.png
[precision]: https://blog.csdn.net/u013249853/article/details/82894675
[20160721111312507]: /images/20211209/0de61b4894574d40bfd8c1102ec4de20.png
[https_blog.csdn.net_teminusign_article_details_51982877]: https://blog.csdn.net/teminusign/article/details/51982877
[https_tarangshah.com_blog_2018-01-27_what-is-map-understanding-the-statistic-of-choice-for-comparing-object-detection-models]: https://tarangshah.com/blog/2018-01-27/what-is-map-understanding-the-statistic-of-choice-for-comparing-object-detection-models/