知识卡片
稀有正例要结合PR曲线
PR 曲线横轴是召回率,纵轴是精确率。仅增加同分布负例时,ROC 两轴各自按本类样本数归一化,可以近似不变,正例占比降低却会让同一阈值下的预测正例被更多误报稀释。选择稀有事件分类器时,可同时看 PR 的实际告警纯度与 ROC 的区分能力。
基率改变告警精确率的原因可用贝叶斯后验计算。参见 [[稀有先验会拉低检出可信度]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 机器学习模型的度量指标 · 查看原书依据
后者更能反馈出算法间的差异性。
参考来源
- 位置:《机器学习观止:核心原理与实践》第03章《机器学习模型的度量指标》(来源项目 book-source,`extracted/机器学习观止:核心原理与实践/_epub-src/OEBPS/Text/chapter3.xhtml`)。
- 结论依据:原文图 3-7 增加十倍负样本来观察两类曲线,图 3-9 对比两种算法在 ROC 与 PR 空间的差别。
- 原始内容:后者更能反馈出算法间的差异性。