Q4. Explain what precision and recall are. How do they relate to the ROC curve.

Q4. 解释一下什么是准确率和召回率，他们与ROC曲线有什么关系.

答案：

准确度P 召回率R

准确率：你的预测有多少是对的

召回率：正例里你的预测覆盖了多少

看懂这个表走天下:

ROC曲线(Receiver Operating Characteristic)

ROC 曲线是表示正例和负例间关系，常常用于对二值化的分类模型啦。但是通常面对于大量的数据，用 准确度P-召回率R (PR) 曲线能更具有代表性。

ROC横坐标: True Positive Rate (TPR) = TP / [ TP + FN]
ROC纵坐标: False Positive Rate (FPR) = FP / [ FP + TN]

反正我做模型后面用来校验，看的是PR图，不看ROC图，PR曲线图看上去舒服很多，理解直观。

例子解释

有100封邮件，真正垃圾邮件的有30封，我的贝叶斯模型找到40封垃圾文件，其中5封垃圾邮件识别为有用文件。那么要分清楚这5，30，40之间的关系，就搞清楚准确率和召回率的关系。

其中模型识别到的真正垃圾邮件为25封，识别到的非垃圾邮件15封；没有识别到的垃圾邮件5封，没有识别到的非垃圾邮件55封。那么对应下表：

我的老板突然鸡冻地走过来问:

Q：模型找到多少正确的数据？ A：召回率R是 25 / 30 = 83% (真正垃圾邮件作分母)

Q: 那模型预测到正确的数据有多少？ A: 准确率P是 25 / 40 = 62% (预测的垃圾邮件作分母)

要注意一条准则：做搜索、文件检索，要保证召回率的情况下提升准确率；如果做分类、疾病监测、反垃圾，则是保准确率的条件下提升召回率。

学术解析

对于一个模型有四种方法判断你是对还是错的:

• TP(True Positive): 例子是正确的，并且预测正确
• FP(False Positive): 例子是错误的，但预测正确
• FN(False Negative): 例子是正确的，但预测错误
• TN(True Negative): 例子是错误的，并且预测错误

准确率P:

最后

以上就是仁爱吐司最近收集整理的关于4问数据挖掘：什么是准确率和召回率Q4. Explain what precision and recall are. How do they relate to the ROC curve.Q4. 解释一下什么是准确率和召回率，他们与ROC曲线有什么关系.的全部内容，更多相关4问数据挖掘：什么是准确率和召回率Q4.内容请搜索靠谱客的其他文章。