回答情况：
提问时间：
问题标签：
positive outcome only# predict class values# calculate precision-recall= precision_recall_curve(testy, probs)f1 = f1_score(testy, yhat)
<
浏览 48修改于2019-05-25得票数 2
因此，我不得不用Precision-Recall曲线来选择一个最优模型，而不是AUC曲线。下面是这个Precision-Recall的标准曲线(我把它粘贴在这里，只是为了便于我们讨论我的问题)。关于上述标准Precision-Recall曲线的描述：
TensorBoard auc_precision_recall曲线和标准Precision-Recall曲线之间有什么关系？
浏览 2提问于2018-04-25得票数 0
回答已采纳
recall, precision)pl.plot(recall, precision, label='Precision-Recallcurve')pl.ylabel('Precision')pl.xlim([0.0, 1.0])
pl.title('Precision-Recall
浏览 4修改于2016-03-12得票数 4
回答已采纳
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
我在R中使用ROCR包来计算Precision-recall盈亏平衡点。但令人惊讶的是，它有时会产生负面结果。据我所知，prbe是不可能是负面的。
会有什么问题呢？
浏览 2提问于2013-06-28得票数 0
回答已采纳
matplotlib.pyplot as plt disp = plot_precision_recall_curve(ada, X_test, y_test) disp.ax_.set_title('Precision-Recallcurve')
disp =
浏览 0提问于2020-09-08得票数 3
回答已采纳
2回答
在给定一组Precision-Recall对的情况下，JAVA中是否有一个简单的库来计算ROC曲线(AUC)下的面积，例如：0.9 0.1..。
浏览 0修改于2013-09-29得票数 1
1.0,1.0), (0.0,0.6153846153846153)] - F1Measure
[(0.0,1.0), (1.0,1.0), (1.0,0.4444444444444444)]- Precision-Recall
浏览 0提问于2016-07-06得票数 6
pred1)fig, ax = plt.subplots()
ax.set_title('Precision-Recall
浏览 2修改于2022-08-02得票数 0
回答已采纳
clf.predict_proba(test_set)
print('Average precision-recallplt.ylabel('Precision') plt.xlim([0.0, 1.0])
plt.title('2-class Precision-Recall
浏览 0提问于2018-04-12得票数 0
回答已采纳
2 , recall_data, width, label='recall',color = 'royalblue')
ax.set_title('precision-recall
浏览 4修改于2022-12-04得票数 0
Instantiate metrics object
// Precision-Recall
浏览 0提问于2018-12-20得票数 0
, 0.5, 1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0, 4.5, 5.0, 5.5, 6.0, 6.5, 7.0, 7.5, 8.0, 8.5
# plot the precision-recall
浏览 19提问于2019-05-15得票数 0
回答已采纳
target, epochs=50, batch_size=10, validation_split=0.2)
pred = model.predict(data)
precision, recall, thresholds = precision_recall_curve(target, pred)
# precision-recall
浏览 0提问于2019-09-24得票数 13
回答已采纳
## Precision-recall curve pred = runif(20))
浏览 1提问于2019-07-26得票数 3
回答已采纳
BinaryClassificationMetrics(predictionAndLabels)
# Area under precision-recall
浏览 3修改于2021-07-19得票数 1
回答已采纳
library(caret) # for model-building library(PRROC) # for Precision-Recall
浏览 1修改于2018-01-02得票数 3
回答已采纳
.-');ylabel('Precision');axis([0 1 0 1.05]);
grid
浏览 4修改于2014-09-17得票数 3
回答已采纳
plt.subplots()ax.set_title("Precision-RecallCurve")ax.set_xlabel("Recall")
plt.show()
# summ
浏览 8修改于2022-08-18得票数 1
plt.ylabel('Precision') plt.xlim([0.0, 1.0]) 'Logistic Regression (Blue): Precision-Recallcurve: AP={0:0.2f}&
浏览 2提问于2018-04-03得票数 1
回答已采纳
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号