Precision(精准率) and Recall(召回率)

本文介绍了在机器学习中遇到偏斜类别数据集时,精确度作为评估标准的局限性。文章通过图解阐述了精准率和召回率的概念,并指出在处理如奖学金获取或疾病诊断等类别不平衡问题时,应使用精准率和召回率作为评价模型性能的指标。同时,提到了F1值在选择模型和调整λ值中的作用。
摘要由CSDN通过智能技术生成

在机器学习系统设计的时候会遇到一类数据集:Skewed Classes 。这意味着在分类时一种类别比其他的类别多的多。
会出现的情况:构建的模型的精确度(代价) 甚至不如直接将其全部分为数量多的那个类别。比如:分类是否获得学校奖学金,分类是否是癌症患者。
带来的问题:将精确度(或者代价)作为衡量算法是否好的标准变的不再有效。
解决的方法:使用Precision(精准率) and Recall(召回率) 取代精确度(代价)

1. 图解Precision和Recall

这里写图片描述
图中True 或 False 表示预测是否准确,Postive 或 negative 表示预测的两种类别。

Precision=True positivePredicted postive=True positiveTrue positive + 
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值