[分类指标]准确率、精确率、召回率、F1值、ROC和AUC、MCC马修相关系数

已于 2024-02-29 19:12:54 修改
阅读量1.9k 收藏 16
点赞数 7
分类专栏： # 评价指标参数和模型参数 文章标签： 分类 数据挖掘 人工智能
于 2024-02-29 16:44:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DJJ5210/article/details/136374720
版权
本文详细解释了准确率、精确率、召回率和F1值在分类任务中的作用，强调了它们在不平衡样本下的局限性。同时介绍了ROC曲线和马修斯相关系数(MCC)作为更全面的评估工具，特别是在处理样本不平衡时。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

准确率、精确率、召回率、F1值

定义：

1、准确率（Accuracy）

准确率是指分类正确的样本占总样本个数的比例。准确率是针对所有样本的统计量。它被定义为：

 

准确率能够清晰的判断我们模型的表现，但有一个严重的缺陷： 在正负样本不均衡的情况下，占比大的类别往往会成为影响 Accuracy 的最主要因素，此时的 Accuracy 并不能很好的反映模型的整体情况。

例如，一个测试集有正样本99个，负样本1个。模型把所有的样本都预测为正样本，那么模型的Accuracy为99%，看评价指标，模型的效果很好，但实际上模型没有任何预测能力。

2、精确率（Precision）

精确率又称为查准率࿰

最低0.47元/天 解锁文章
准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 4万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
【机器学习】马修斯相关系数（Matthews correlation coefficient）
小哲的博客
12-14 1万+
马修斯相关系数（Matthews correlation coefficient） 马修斯相关系数是在使用机器学习作为二进制（2类）的质量的度量的分类，通过布赖恩W.马修斯在1975年由生物化学引入 它考虑到真和假阳性和假阴性，并且通常是被视为一种平衡的措施，即使这些类别的规模大小不同也可以使用。 MC实质上是观察到的类别和预测的二元分类之间的相关系数; 它返回介于-1和+1之间的值。系数+1...
召回率与准确率
zhoubl668的专栏：远帆，梦之帆！
10-26 3430
召回率和准确率是数据挖掘中预测、互联网中的搜索引擎等经常涉及的两个概念和指标。 召回率：Recall，又称“查全率”——还是查全率好记，也更能体现其实质意义。 准确率：Precision，又称“精度”、“正确率”。 以检索为例，可以把搜索情况用下图表示： 相关 不相关 检索到 A B 未检索到
精确率（Precision）、准确率（Accuracy）和召回率（Recall）详解
最新发布
Gsen2819的博客
03-24 1434
Accuracy = (90 + 180) / (90 + 180 + 10 + 20) = 270 / 300 = 0.9 或 90%FN (False Negative)：假负例，即实际为正类但被模型错误预测为负类的样本数。FN (False Negative)：假负例，即实际为正类但被模型错误预测为负类的样本数。TP (True Positive)：真正例，即实际为正类且被模型正确预测为正类的样本数。TP (True Positive)：真正例，即实际为正类且被模型正确预测为正类的样本数。
8.马修斯相关系数(MCC)-机器学习模型性能的常用的评估指标
qq_37977007的博客
01-25 8123
简单介绍MCC评估指标
马修斯相关系数MCC和标准互信息NMI
gaomeihong1993的博客
07-23 6751
1 机器学习知识补充 机器学习分为三个阶段： 第一阶段：学习模型。采用学习算法，通过对训练集进行归纳学习得到分类模型。 第二阶段：测试模型。将已经学习得到的分类模型用于测试集，对测试集中未知类别的实例进行分类。 第三阶段：性能评估。只有通过优秀的评价标准才能选择出性能更好的分类器。 2.马修斯相关系数（性能评估的指标） . 马修斯相关系数是应用在机器学习中，用以测量二分类的分类性能的指标...
机器学习评估分类结果——精准率、召回率、F1Score
m0_58700887的博客
06-30 6202
机器学习评估分类结果——混淆矩阵、精准率、召回率、F1Score
使用SVM对分泌效应蛋白数据集进行分类预测
xiaobai1_1的博客
08-17 1362
1、SVM简介 支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane 。 在机器学习中，支持向量机是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法
马修斯相关系数（Matthews correlation coefficient）
Winnycatty的博客
10-08 3万+
马修斯相关系数是在使用机器学习作为二进制（2类）的质量的度量的分类，通过生物化学引入布赖恩W. 马修斯在1975年 它考虑到真和假阳性和假阴性，并且通常是被视为一种平衡的措施，即使这些班级的规模大小不同也可以使用。 MC实质上是观察到的和预测的二元分类之间的相关系数; 它返回介于-1和+1之间的值。系数+1表示完美预测，0表示不比随机预测好，-1表示预测和观察之间的完全不一致。统计数据也称为ph...
机器学习分类问题指标评估内容详解（准确率、精准率、召回率、F1、ROC、AUC等）
Emins的博客
07-04 1万+
看懂机器学习指标：准确率、精准率、召回率、F1、ROC曲线、AUC曲线
准确率、精确率、召回率、F1值
D2460596421的博客
03-22 575
4. F1 = 2 /（1/精准率 + 1/召回率）=（2*精准率*召回率）/ （精准率+召回率）（在我看来是基于真实类别来判别的，所以分母是该类的真是类别全部个数）（在我看来是基于预测结果来判别的，所以分母是预测该类的全部个数）3.召回率 = 对于一类预测正确的个数 / 真正是该类的全部个数。2.精确率 = 对于一类预测正确的个数 / 预测该类的全部个数。1.准确率 = 预测正确个数 / 总样本的个数；由于需要对精准率和召回率的综合，才引出了F1。准确率和召回率都是基于一类进行研究的。
深度学习分类任务中的准确率、精确率（查准率）、召回率（查全率）、F1值、ROC曲线的AUC值，
chumingqian的博客
01-05 5542
其中关于 TP, TN;FP, FN 的解释；其中;注意，此时这里的正样本代表的 是 预测属于某一类别的样本；负样本则代表预测不属于某一类别的样本。举例说来部分仓库， 与此不一致，列代表真实值，行代表预测值，需要阅读代码的时候，通过查看文档确定；
准确率、精确率、召回率、F1-score
ywfwyht的博客
02-22 2万+
追求召回率高，则通常会影响精确率。F1值为算数平均数除以几何平均数，且越大越好，将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。直白的意思就是模型预测为正例的样本中，其中真正的正例占预测为正例样本的比例，用此标准来评估预测正例的准确度。以实际样本为判断依据，实际为正例的样本中，被预测正确的正例占总实际正例样本的比例。
精确率、召回率、F1值
cool-wangtongzhou
06-24 2466
T是True，F是False，P是positive，N是negetive TP ——将正类预测为正类的数量（解释为：预测正确，预测成正类，所以说明原来是个正类） FN ——将正类预测为负类的数量（预测错误，预测成负数，所以说明原来是个正类，其实有那种负负得正的感觉） FP ——将负类预测成正类的数量 TN ——将负类预测成负类的数量一、精确率:就是有多少正类是被分对的 P=TP/(TP+FP),TP+FP是预测出来是正类的总数二、召回率：在实际正类中，有多少正类被模型发现了 R = TP/(TP+FN),T
准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure)、AUC、ROC的理解
热门推荐
qfikh的博客
03-03 3万+
一、准确率、精确率、召回率和 F 值 (1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP) (2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是正类，但是被预测成为负类，即为假负类(False Negat...
马修斯相关系数（简称：MCC； 全称：Matthews correlation coefficient）更适合类别不平衡问题的模型结果评价
zh515858237的专栏
01-30 2696
一般常见指标是F1-score、precision、recall、roc、auc、accuracy，但他们存在的最大问题是，只关注正样例。
一文读懂准确率、精准率、召回率、ROC、AUC、F1值
cz的博客
01-18 1万+
准确率，精准率，召回率 分类问题中的混淆矩阵如下 TP： 预测为1，预测正确，即实际1 FP： 预测为1，预测错误，即实际0 FN： 预测为0，预测错确，即实际1 TN： 预测为0，预测正确即，实际0 准确率 accuracy 准确率的定义是预测正确的结果占总样本的百分比，其公式如下： 准确率=(TP+TN)/(TP+TN+FP+FN) 虽然准确率可以判断总的正确率，但是在样本不平衡 的情况下，并不能作为很好的指标来衡量结果。举个简单的例子，比如在一个总样本中，正样本占90%，负样本占10%，样本是严重不
准确率、精确率、召回率【转载】
weixin_34268753的博客
04-18 281
转自：https://www.cnblogs.com/sddai/p/5696870.html //原来三者是不同的。。。 1.例子 准确率(Accuracy)＝ (TP + TN) / 总样本 ＝(40 + 10)/100 = 50%。定义是: 对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。 精确率(Precision)＝ TP / (TP + FP) = 4...
pytorch计算模型评价指标准确率、精确率、召回率、F1值、AUC的示例代码
03-14
以下是一个使用 PyTorch 计算模型评价指标准确率、精确率、召回率、F1 值、AUC 的示例代码： ```python import torch import numpy as np from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score # 假设我们有一个二分类模型，输出为概率值 y_pred = torch.tensor([0.2, 0.8, 0.6, 0.3, 0.9]) y_true = torch.tensor([0, 1, 1, 0, 1]) # 将概率值转换为二分类标签 y_pred = torch.round(y_pred) # 将 PyTorch 张量转换为 NumPy 数组 y_pred = y_pred.numpy() y_true = y_true.numpy() # 计算各项指标 acc = accuracy_score(y_true, y_pred) precision = precision_score(y_true, y_pred) recall = recall_score(y_true, y_pred) f1 = f1_score(y_true, y_pred) auc = roc_auc_score(y_true, y_pred) # 输出结果 print("Accuracy: {:.4f}".format(acc)) print("Precision: {:.4f}".format(precision)) print("Recall: {:.4f}".format(recall)) print("F1 score: {:.4f}".format(f1)) print("AUC score: {:.4f}".format(auc)) ``` 注意：这只是一个示例代码，实际使用时需要根据具体情况进行修改。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

DJ.马

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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