数据挖掘 - 关于 sklearn.metrics.average_precision_score 文档 - 吾爱随笔录

关于 sklearn.metrics.average_precision_score 文档

数据挖掘 Python scikit-学习计分

2022-02-16 05:58:41

sklearn.metrics.average_precision_score 文档中有一个示例。

import numpy as np
from sklearn.metrics import average_precision_score
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
average_precision_score(y_true, y_scores)  
0.83

但是当我绘制precision_recall_curve

precision, recall, _ = precision_recall_curve(y_true, y_scores)
plt.plot( recall,precision)

我得到了图片：

为什么precision_recall_curve下的面积不是0.83？

1个回答

根据文档，该值不完全是曲线下的面积，它是这是一个矩形近似。

AP = \sum_{n} (R_{n} - R_{n - 1}) P_{n} .

$\text{AP} = \sum_n(R_n - R_{n-1})P_n.$

对于您的具体示例，即

      R     P
  1   0.0   1.0   
  2   0.5   1.0   
  3   0.5   0.5   
  4   0.1   0.66

它计算为这是红色曲线下的区域，如下图所示：

\begin{aligned} AP & = \overset{(R_{2} - R_{1}) P_{2}}{\overset{⏞}{(0.5 - 0.0) \times 1.0}} + \overset{(R_{3} - R_{2}) P_{3}}{\overset{⏞}{(0.5 - 0.5) \times 0.5}} + \overset{(R_{4} - R_{3}) P_{4}}{\overset{⏞}{(1.0 - 0.5) \times 0.66}} \\ = 0.5 + 0.00 + 0.33 = 0.83 \end{aligned}

$\begin{align*} \text{AP} & = \overbrace{(0.5 - 0.0)\times1.0}^{(R_2 - R_1)P_2} + \overbrace{(0.5 - 0.5)\times 0.5}^{(R_3 - R_2)P_3} + \overbrace{(1.0 - 0.5) \times0.66}^{(R_4 - R_3)P_4} \\ &= 0.5 + 0.00+ 0.33 = 0.83 \end{align*}$

与相比，这是蓝色曲线下的面积。

AUPR = 0.5 + \overset{trapezoid area}{\overset{⏞}{\frac{0.5 + 0.66}{2} \times 0.5}} = 0.79

$\text{AUPR}=0.5 + \overbrace{\frac{0.5 + 0.66}{2} \times 0.5}^{\text{trapezoid area}} = 0.79$

其它你可能感兴趣的问题

上一篇ROC AUC评分解读下一篇loss/val_loss 正在减少，但 LSTM 中的准确度是相同的！