模型评价：混淆矩阵、准确率、查准率和召回率

最新推荐文章于 2024-04-01 09:01:31 发布
最新推荐文章于 2024-04-01 09:01:31 发布
阅读量3.1k 收藏 14
点赞数 3
分类专栏： 机器学习 文章标签： 机器学习
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/JOHN_XIONG/article/details/113914747
版权

1.混淆矩阵

对于二分类模型，预测结果为正类或者负类。结合样本的真实类别，可以得到如下的混淆矩阵

预测为正类 预测为负类
实际为正类 TP FN
实际为负类 FP TN

其中TP、FP、TN、FN分别由T、F、P、N四个字母组合而成，含义见下表

缩写 全称 含义
T True 表示分类正确
F False 表示分类错误
P Positive 表示正类
N Negative 表示负类
TP True Positive 表示真实类别为正类，分类结果也是正类（预测样本是正类，并且预测对了）
FP False Positive 表示真实类别为负类，分类结果为正类（预测样本是正类，但是预测错了）
TN True Negative 表示真实类别为负类，分类结果也是负类（预测样本是负类，并且预测对了）
FN False Negative 表示真实类别为正类，分类结果为负类（预测样本是负类，但是预测错了）

2.错误率：

  • 定义： 预测错误的样本数占样本总数的比例

  • 公式： 错 误 率 = 分 类 错 误 的 样 本 数 样 本 总 数 错误率 = \frac{分类错误的样本数}{样本总数} 错误率=样本总数分类错误的样本数​

  • 结合混淆矩阵： 错 误 率 = F P + F N T P + F P + T N + F N 错误率 = \frac{FP+FN}{TP+FP+TN+FN} 错误率=

最低0.47元/天 解锁文章
CANDY_J
关注
  • 3
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数学基础-Accuracy/Precision/Recall/F1
我要做全栈
08-05 456
ELMO
混淆矩阵以及精确率召回率的计算
heihei2017的博客
06-27 2万+
混淆矩阵是用来总结一个分类器结果的矩阵。对于k元分类，其实它就是一个k x k的表格，用来记录分类器的预测结果。 对于最常见的二元分类来说，它的混淆矩阵是2乘2的，如下 TP = True Postive = 真阳性； FP = False Positive = 假阳性 FN = False Negative = 假阴性； TN = True Negative = 真阴性 比如我...
使用Matlab实现一维信号二分类/多分类的CNN网络，并绘制混淆矩阵
最新发布
rDXNXSpRxL的博客
04-01 2000
本文旨在借助Matlab，介绍如何使用CNN对一维信号进行多分类，并提供了源程序和详细的注释，方便读者学习和使用。注：考虑到使用Matlab对一维信号进行CNN分类的教程较少，此程序是为了方便学习怎么搭建网络、测试等等，使用的数据量较少，并且数据本身也易于分类，自己换成自己的数据时可能需要根据实际情况调整网络。通过加载数据、构建CNN架构、设置参数、训练模型和测试模型等步骤，实现了对一维信号进行分类的功能。关键词：Matlab、卷积神经网络、一维信号、多分类、数据加载、CNN架构、训练、测试、混淆矩阵。
深度学习：混淆矩阵，准确率，top1，top5，每一类的准确率
热门推荐
山上有只羊M
12-10 4万+
几个概念 1）正确率（accuracy） 正确率是我们最常见的评价指标，accuracy = （TP+TN）/(P+N)，这个很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好； 2）错误率（error rate) 错误率则与正确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(P+N)，对某一个实例来说，分对与分错是互斥事件，所以a...
机器学习基础：别 乱 用 AUC
机器学习算法那些事
12-03 957
作者：马东什么https://zhuanlan.zhihu.com/p/92792702难得的好文。目前普遍认为接收器工作特性（Receiver Operating Character...
画混淆矩阵,并根据矩阵计算准确率、每个类别的精确率和召回率
m0_50127633的博客
10-27 6888
TP(True Positives):实际为正例并且预测为正例 FP(False Postives):实际为反例但是预测为正例 TN(True Negatives):实际为反例并且预测为反例 FN(False Negatives):实际为正例但是预测为反例 精确率=TP/(TP+FP) 召回率=(TP)/(TP+FN) # coding=utf-8 import matplotlib.pyplot as plt import numpy as np confusion = np.array(([200,0
机器学习基础概念：查准率、查全率、ROC、混淆矩阵、F1-Score 机器学习实战：分类器
12-21
机器学习：基础概念查准率、查全率F1-Score、ROC、混淆矩阵机器学习实战：分类器性能考核方法：使用交叉验证测量精度性能考核方法：混淆矩阵精度和召回率ROC曲线训练一个随机森林分类器，并计算ROC和ROC AUC分数 查...
机器学习 之评估指标 召回率，查准率，F1分数(f1值)
01-07
2、查准率：评价模型的正确性 查准率：某一类 预测样本中的预测正确的信息条数/预测样本中所有的信息条数 查准率P = TP/(TP+FP) 不同于正确率 正确率：所有预测正确样本除以所有预测样本 准确率 = （TP+TN）/(TP+FP+...
Caffe-ssd输出准确率和召回率
03-08
Caffe-SSD的solver.cpp修改后的源码，可输出准确率、召回率和PR曲线值
Pytorch 计算误判率,计算准确率,计算召回率的例子
09-18
在机器学习和深度学习中，评估模型性能的关键指标包括误判率、准确率和召回率。PyTorch 是一个流行的深度学习框架，它提供了一种灵活的方式来计算这些指标。以下是对这些概念的详细解释。 **准确率(Accuracy)**： ...
Python利用混淆矩阵计算分类任务中的准确率/召回率/F1值
张家四少
08-12 2万+
摘要 在深度学习的分类任务中，对模型的评估或测试时需要计算其在验证集或测试集上的预测精度（prediction/accuracy）、召回率（recall）和F1值。本文首先简要介绍如何计算精度、召回率和F1值，其次给出python编写的模块，可直接将该模块导入在自己的项目中，最后给出这个模块的实际使用效果。 混淆矩阵及P、R、F1计算原理 混淆矩阵 进行二分类或多分类任务中，对于预测的评估经常需要构建一个混淆矩阵来表示测试集预测类与实际类的对应关系，混淆矩阵横坐标表示实际的类，纵坐标表示预测的类。混
机器学习学习笔记（1）——错误率、精度、准确率、召回率、F1度量
LiQZ的博客
08-18 1万+
本文是我在阅读西瓜书的时候的一些学习笔记和少许理解，更多的我个人觉得算是抛砖引玉吧，如果有误，请麻烦纠正。 顺带说一句，自从看了《西瓜书》，再也不愁出去买到烂瓜了。 本文内容是机器学习算法的性能度量，西瓜书上对性能度量的定义是：衡量模型泛化能力的评价标准。简单来说就是我们要怎样评价这个算法的优劣。 目录一、混淆矩阵二、错误率与精度1. 错误率2. 精度三、准确率、召回率与F1度量1. 准确率2. 召回率3. F1度量四、参考 一、混淆矩阵 混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n.
dbscan聚类python_Python与机器学习：DBSCAN聚类
weixin_39706441的博客
12-11 390
DBSCAN聚类算法基本概念：基于密度的带有噪声点的聚类算法(Desity-Based Spatial Clustering of Applications with Noise)，简称DBSCAN，又叫密度聚类。核心对象：若某个点得密度达到算法设定的阈值，则这个点称为核心对象(即r邻域内点的数量不小于minPts) 邻域的距离阈值：设定的半径r直接密度可达：若某点p在点q的r邻域内，且q是核心点...
DBSCAN 密度聚类
starflyyy的博客
01-19 519
DBSCAN 密度聚类算法: 具体数学解释及算法见DBSCAN 密度聚类算法， 本文主要进行实践。 背景: 对于金融机构或者电商来说，常常面临团伙套现问题。具体来说，欺诈团伙在电商利用无息(或低息)购物贷款大量购买商品，并在其他平台出售从而完成套现。对于金融机构来说，此类行为占用了大量的资金。 DBSCAN 的特性及适合性 DBSCAN 可以对任意形状的稠密数据集进行聚类(凸和非凸均可)，套现团伙在地理位置上常常表现为非凸(现实社区形状不规则，可能出现互相嵌套的情况)。 DBSCAN 不需要事.
DBSCAN 聚类算法详解
lemonxiaoxiao的博客
09-14 4867
参考： https://www.cnblogs.com/zhengxingpeng/p/6670486.html https://www.cnblogs.com/chaosimple/p/3164775.html https://www.jianshu.com/p/e8dd62bec026 1. DBSCAN简介： DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种基于密度的空间.
【可视化调参之DBSCAN】- 集成学习DBSCAN密度聚类算法详解和可视化调参
It’s All Uphill From Here
12-15 6555
DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种很典型的密度聚类算法，和只适用于凸样本集的K-Means聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。 DBSCAN一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，他们之间的紧密相连的，也就是说，...
26、python密度聚类方法（DBSCAN密度聚类）
UP Lee博客
01-03 1792
1、DBSCAN概念  基于密度的带噪声的空间聚类应用算法，它是将簇定义为密度相连的点的大集合，能够把足够高密度的区域划分为簇，并且可在噪声的空间数据集中发现任意形状的聚类。 2、密度聚类和距离聚类 密度聚类：只要临近区域的密度、对象、或者数据点的数目超过耨个阈值，就继续聚类，可以根据与周伟特点进行聚类 kmeans和分层聚类都是基于距离进行聚类，只能发现球状的簇，五发现其他形式的簇 ...
python机器学习应用笔记
qq_46458188的博客
04-02 2714
一、导学 机器学习：实现人工智能的手段，利用数据或经验进行学习，改善具体算法的性能。 机器学习分类： 监督学习（Supervised Learning）从给定的数据集中学习出一个函数，当新的数据到来时，通过函数预测结果。训练集通常由人工标注。 无监督学习（Unsupervised Learning）训练集没有人标注的结果。 半监督学习（Semi-supervised Learning）介于监督学习和无监督学习之间 强化学习（Reinforcement Learning 增强学习） 通过观察来执行
混淆矩阵（Confusion Matrix）
DAIRUMENG的博客
03-16 3134
混淆矩阵 混淆矩阵（Confision Matrix）是一种N*N表格，用于总结分类模型的预测效果。N表示类别个数，横轴表示实际的标签，纵轴表示模型预测的标签。 Precise（精确率）=TP/(TP+FP) 精确率：指模型正确预测正类的频率。 Recall（召回率）=TP/(TP+FN) 召回率：指模型正确识别实际的正类标签。 F1(调和均值)=2TP/2TP+FP+FN F1：反映算法性能 准确率 错误率 参考 示例代码 from sklearn.metrics import confusio
如何计算混淆矩阵的准确率和召回率？
11-20
计算混淆矩阵的准确率和召回率可以通过以下步骤实现： 1. 导入需要的库和函数： ```python from sklearn.metrics import confusion_matrix ``` 2. 使用`confusion_matrix`函数计算混淆矩阵： ```python confMatrix = confusion_matrix(y_true, y_pred) ``` 其中，`y_true`是真实标签，`y_pred`是预测标签。 3. 计算准确率和召回率： ```python accuracy = (confMatrix[0,0] + confMatrix[1,1]) / sum(sum(confMatrix)) recall = confMatrix[1,1] / (confMatrix[1,0] + confMatrix[1,1]) ``` 其中，准确率可以通过混淆矩阵中真正例和真反例的数量计算得到，即`(TP + TN) / (TP + TN + FP + FN)`，其中TP表示真正例，TN表示真反例，FP表示假正例，FN表示假反例。召回率可以通过混淆矩阵中真正例和假反例的数量计算得到，即`TP / (TP + FN)`。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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