精确召回[关闭]答案

【问题标题】：Precision recall [closed]精确召回[关闭]
【发布时间】：2021-10-23 08:17:36
【问题描述】：

谁能告诉我closest_zero、closest_zero_p和closest_zero_r是什么意思？

from sklearn.metrics import precision_recall_curve
precision, recall, thresholds = precision_recall_curve(y_test, y_scores_lr)
closest_zero = np.argmin(np.abs(thresholds))
closest_zero_p = precision[closest_zero]
closest_zero_r = recall[closest_zero]

plt.figure()
plt.xlim([0.0, 1.01])
plt.ylim([0.0, 1.01])
plt.plot(precision, recall, label='Precision-Recall Curve')
plt.plot(closest_zero_p, closest_zero_r, 'o', markersize = 12, fillstyle = 'none', c='r', mew=3)
plt.xlabel('Precision', fontsize=16)
plt.ylabel('Recall', fontsize=16)
plt.axes().set_aspect('equal')
plt.show()

【问题讨论】：

标签： python numpy machine-learning data-science precision-recall

【解决方案1】：

首先我们有y_test，这是基本事实，应该是二进制类型 - 两个类（通常是 0 和 1）。此外，我们还有y_scores_lr，它是连续的预测值。 precision_recall_curve 是一个计算值以绘制召回-精度曲线的函数，其输出为： precision - x 轴的值。 recall - y 轴的值。 thresholds - 用于实现相应精度和召回值的阈值。为了详细说明这些值的含义，每个阈值用于产生不同的分类结果，其中来自y_scores_lr 的所有低于该值的预测被分配到一个类，而所有其他值（高于阈值）被认为是另一个班级。将预测值按特定阈值分类后，根据分类结果计算准确率和召回率。

重要的是，现在可以使用精确召回曲线找到执行未来分类的最佳阈值，或者至少更好地了解模型的行为。

代码查找一个特定的阈值，即最接近零的阈值（无论是正值还是负值），并将相应的精度和召回值设为该阈值，以便将其绘制为绘制曲线上的一个点.

所以，closest_zero 是最高负阈值或最低正阈值的索引，取决于哪个更接近于零。（np.argmin 返回值最低的索引，abs 确保只考虑与零的差异，而不考虑符号）

因此，closest_zero_p 和 closest_zero_r 是最接近于零的阈值的同一索引处的精度和召回率。

【讨论】：