当前位置：首页 > news >正文

网站热力图怎么做24小时免费看的视频哔哩哔哩

news 2025/7/14 5:57:01

网站热力图怎么做,24小时免费看的视频哔哩哔哩,宁波建设网查询,网络规划师报名时间调整分类模型的阈值是改变模型对正负类的预测标准的一种方法，常用于提高精确率、召回率或者其他性能指标。以下是如何调整分类阈值的步骤和方法： PS：阈值是针对预测概率（表示样本属于某个特定类别的可能性）来说的调…

调整分类模型的阈值是改变模型对正负类的预测标准的一种方法，常用于提高精确率、召回率或者其他性能指标。以下是如何调整分类阈值的步骤和方法：

PS：阈值是针对预测概率（表示样本属于某个特定类别的可能性）来说的

调整分类的阈值步骤和方法：

理解阈值的作用：
- 分类模型通常输出一个概率值（0到1之间），表示样本属于正类的可能性。
- 默认阈值通常设为0.5，即如果概率值大于0.5，预测为正类；否则预测为负类。
- 调整阈值可以改变模型对正负类的预测标准，从而影响假阳性和假阴性率。
增大阈值：精确率增加，召回率减少
- 减少假阳性（False Positive, FP）：
  - 定义：假阳性是指模型预测为正类，但实际为负类的情况。
  - 解释：增大阈值意味着模型要求更高的置信度才会将样本预测为正类。因此，一些原本在默认阈值下被预测为正类（但实际为负类）的样本，在更高的阈值下会被重新预测为负类，从而减少假阳性的数量。
- 增加假阴性（False Negative, FN）：
  - 定义：假阴性是指模型预测为负类，但实际为正类的情况。
  - 解释：增大阈值意味着一些原本在默认阈值下被正确预测为正类的样本，在更高的阈值下可能会被预测为负类。因此，模型会错过一些实际为正类的样本，从而增加假阴性的数量。
- 举例说明
  
  假设我们有一个模型的输出概率如下（数值为示例）：
  
  样本实际标签预测概率预测
  A 正类 0.8 正类真阳性
  B 负类 0.6 正类假阳性（减少假阳）
  C 正类 0.4 负类假阴性
  D 负类 0.3 负类真阴性
  E 正类 0.7 正类真阳性（增加假阴）
  默认阈值为 0.5 时：
  - 样本 A、B、E 被预测为正类。
  - 样本 C、D 被预测为负类。
  - 此时，假阳性为 1（样本 B），假阴性为 1（样本 C）。
    
    如果我们将阈值增大到 0.7：
    - 样本 A、E 被预测为正类。
    - 样本 B、C、D 被预测为负类。
    - 此时，假阳性减少到 0（样本 B 不再是假阳性），但假阴性增加到 2（样本 C 和 E）。
减小阈值：精确率减少，召回率增加
- 增加真阳性率（Recall）：
  - 定义：真阳性率是指模型正确识别正类样本的比例。
  - 解释：降低阈值会使模型更容易将样本预测为正类，因此能够捕捉更多的真正类（正类）样本，从而提高真阳性率。
- 增加假阳性率（False Positive Rate）：
  - 定义：假阳性率是指模型错误地将负类样本预测为正类的比例。
  - 解释：降低阈值会导致模型将一些本应为负类的样本错误地预测为正类，因此会增加假阳性率。
- 降低精确率（Precision）：
  - 定义：精确率是指模型预测为正类的样本中实际为正类的比例。
  - 解释：降低阈值会增加将样本预测为正类的数量，但其中一部分样本可能是假阳性，因此会降低精确率。
- 影响模型的决策边界：
  - 解释：阈值决定了模型在将样本分类为正类或负类时所依据的概率界限。降低阈值会放宽模型对于正类的判定标准，使得更多的样本被预测为正类。
- 示例说明
  
  假设我们有一个分类模型，对于一些样本的预测概率如下：
  
  样本实际标签预测概率预测标签（阈值=0.5）预测标签（阈值=0.3）
  A 正类 0.8 正类正类
  B 负类 0.3 负类正类
  C 正类 0.6 正类正类
  D 负类 0.2 负类正类
  E 正类 0.7 正类正类
  通过降低阈值（例如从0.5降至0.3）：
  - 样本 B 和 D 被重新预测为正类，因为它们的预测概率超过了0.3。
  - 这样做会增加真阳性率（Recall），但可能也会增加假阳性率（False Positive Rate），因为更多的负类样本被错误地预测为正类。同时，精确率（Precision）可能会下降，因为模型更容易将样本预测为正类，导致一些预测为正类的样本实际上是假阳性。
选择最佳阈值：
- 使用ROC曲线（Receiver Operating Characteristic Curve）和AUC（Area Under the Curve）：
  - ROC曲线绘制了不同阈值下的真阳性率（召回率）与假阳性率的关系。
  - AUC值越大，模型性能越好。
- 使用精确率-召回率曲线P-R（Precision-Recall Curve）：
  - 绘制了不同阈值下的精确率与召回率的关系。
  - 在平衡精确率和召回率时，这条曲线非常有用。

样本	实际标签	预测概率	预测
A	正类	0.8	正类	真阳性
B	负类	0.6	正类	假阳性（减少假阳）
C	正类	0.4	负类	假阴性
D	负类	0.3	负类	真阴性
E	正类	0.7	正类	真阳性（增加假阴）

样本	实际标签	预测概率	预测标签（阈值=0.5）	预测标签（阈值=0.3）
A	正类	0.8	正类	正类
B	负类	0.3	负类	正类
C	正类	0.6	正类	正类
D	负类	0.2	负类	正类
E	正类	0.7	正类	正类

实际操作示例

假设我们使用Python和Scikit-learn库来调整分类阈值：

import numpy as np
from sklearn.metrics import precision_recall_curve, roc_curve# 假设 y_true 是真实标签，y_scores 是模型输出的概率值
y_true = np.array([0, 1, 1, 0, 1, 0, 1, 1, 0, 0])
y_scores = np.array([0.1, 0.4, 0.35, 0.8, 0.65, 0.7, 0.2, 0.9, 0.55, 0.3])# 计算不同阈值下的精确率和召回率
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)# 计算不同阈值下的假阳性率和真阳性率（用于绘制ROC曲线）
fpr, tpr, roc_thresholds = roc_curve(y_true, y_scores)# 选择一个新的阈值，例如0.5
new_threshold = 0.5
y_pred = (y_scores >= new_threshold).astype(int)# 计算新的精确率和召回率
new_precision = np.sum((y_pred == 1) & (y_true == 1)) / np.sum(y_pred == 1)
new_recall = np.sum((y_pred == 1) & (y_true == 1)) / np.sum(y_true == 1)print(f"New Precision: {new_precision}")
print(f"New Recall: {new_recall}")