Python 在sklearn中，日志概率是否会影响精度召回曲线的计算？_Python_Scikit Learn_Precision Recall

Python 在sklearn中，日志概率是否会影响精度召回曲线的计算？

python scikit-learn

Python 在sklearn中，日志概率是否会影响精度召回曲线的计算？,python,scikit-learn,precision-recall,Python,Scikit Learn,Precision Recall,我试图计算精确召回AUC。我正在用它 precision，recall，thresholds=metrics。precision\u recall\u曲线（gold，scores，pos\u label=1）这里的gold是一个包含0s和1s的列表分数是日志概率列表（而不是实际概率）获得精度和召回数组后，我使用[metrics.auc][2]计算精度召回auc pr\u auc=metrics.auc（召回率、精确度）如果我使用的是对数概率而不是真实概率，这个计算会不会不正确如果采用np

我试图计算精确召回AUC。我正在用它

precision，recall，thresholds=metrics。precision\u recall\u曲线（gold，scores，pos\u label=1）

这里的

gold

是一个包含

s和

s的列表<代码>分数是日志概率列表（而不是实际概率）

获得精度和召回数组后，我使用

[metrics.auc][2]

计算精度召回auc

pr\u auc=metrics.auc（召回率、精确度）

如果我使用的是对数概率而不是真实概率，这个计算会不会不正确

如果采用

np.exp（分数）

而不是分数，则会丢失日志，通常应予以纠正。ROC曲线是根据任意分数定义的，问题是在分数的不同阈值下计算假阳性和真阳性。在这种情况下，分数的任意单调变换保持顺序，因此，如果变换增加，则FP，TP计数（如果减少，则反转顺序）。我不知道sk-learn，但如果它符合通常的方案，那么使用log-which就相当于which。