AUC-PR
forkortelse for Area Under the Precision-Recall Curve
AUC-PR måler arealet under præcision-genkaldelseskurven og opsummerer modellens ydeevne ved alle klassifikationstærskler.
Kort fortalt
AUC-PR fortæller, hvor god en model er til at finde de rigtige positive, når datasættet er ubalanceret, ved at se på både præcision og genkaldelse.
- Kategori
- metrik
- Niveau
- øvet
Betydninger
1- 1
Evaluering af en binær klassifikators evne til at identificere positive instanser, aggregeret over alle tærskler via præcision-genkaldelseskurvens areal.
- Ved evaluering af den sjældne sygdomsdetektor opnåede vi en AUC-PR på 0,85, hvilket indikerer god adskillelse.
- AUC-PR er mere informativ end ROC-AUC, når baseline-præcisionen er lav.
Hvornår bruges det
AUC-PR bruges typisk til at evaluere binære klassifikationsmodeller, især når den positive klasse er sjælden. Det giver et mere nuanceret billede end ROC-AUC, fordi det fokuserer på den positive klasses præstation.
Formel
AUC-PR = ∫ P(R) dR, hvor P er præcision og R er genkaldelse, approksimeret ved trapetsreglen.Oprindelse
AUC-PR er en forkortelse for 'Area Under the Precision-Recall Curve', på dansk 'areal under præcision-genkaldelseskurven'. Det er en videreudvikling af ROC-AUC, bedre egnet til ubalancerede data.
Kilder
2- Davis, J., & Goadrich, M. (2006). The relationship between Precision-Recall and ROC curves. ICML.
- Scikit-learn documentation: Precision-Recall