正确率，精确率，召回率.

最新推荐文章于 2022-04-04 23:10:00 发布
最新推荐文章于 2022-04-04 23:10:00 发布
阅读量768 收藏
点赞数
分类专栏： 神经网络 IT 文章标签： 机器学习 概率论
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/Lmoermo/article/details/119972176
版权
本文深入探讨了在人工智能算法中，如何衡量预测性能的几个关键指标：准确率、精确率和召回率。通过具体实例解释了这些指标的计算方式，强调了它们在错误分类中的不同含义。提高召回率意味着让更多的正样本被正确识别，而提高精确率则确保预测为正类的结果中，真实的正类更多。这些指标对于优化算法和提升模型性能至关重要。
摘要由CSDN通过智能技术生成

样本为负被预测为正的应该用FP而不是FN。

这样理解   P 代表目前所有结果显示是 1

N 代表目前所有结果显示是 0
N=negative、P=positive、T=true、F=false。TF是预测为正负，NP为实际正负。


假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查找出50个，其中只有40个是真正的正样本，计算上述各指标。

TP: 将正类预测为正类数 40 正确的正类
FN: 将正类预测为负类数 20 错误的负类
FP: 将负类预测为正类数 10 错误的正类
TN: 将负类预测为负类数 30 正确的负类

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70% 预测对的占所有的比例
精确率(precision) = TP/(TP+FP) = 80% 分类为正类的中真正的正类的比例
召回率(recall) = TP/(TP+FN) = 2/3 真正正确的正类预测正确的比例

正样本

总共   199

TP  正确的  148个

FN  错的的  52         

负样本

总共 200 词

FP  正确的是  44  

TN  错误的是 156

    

正确率  148+156/400 tp+tn/all 0.76

精确率  148/148+44 tp/tp+fp   0.739

召回率  148/148+52       tp/tp+fn 0.74

让正确的尽可能被认为是正确的    这是提高召回率   真正正确的被认为正确

让预测正确的结果中  更少的错的  这是提高精确率        被认为正确的中更多的真正确

那么一个错误的词就是一个正样本

召回率就是你预测为错误词中预测正确的个数除以所有事实上是错误词的个数

准确率就是你预测为错误词中预测正确的个数除以你所有预测为错误词的个数

Carlosi
关注
专栏目录
准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 3万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
python 召回率_召回率与精确率
weixin_30114595的博客
02-09 2208
工业界往往会根据实际的业务场景拟定相应的业务指标。本文旨在一起学习比较经典的三大类评价指标，其中第一、二类主要用于分类场景、第三类主要用于回归预测场景，基本思路是从概念公式，到优缺点，再到具体应用(分类问题，本文以二分类为例)。1.准确率P、召回率R、F1 值定义 准确率(Precision)：P=TP/(TP+FP)。通俗地讲，就是预测正确的正例数据占预测为正例数据的比例。召回率(Recall)...
召回率、正确率、精确率
zoetu
11-04 812
召回率、正确率和精确率的概念和计算方式
准确率、精确率、召回率、F1值、ROC/AUC整理笔记
热门推荐
学习容易上瘾
07-09 13万+
对于二分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。 一、TP、TN、FP、FN概念 首先有关TP、TN、FP、FN的概念。大体来看，TP与TN都是分对了情况，TP是正类，TN是负类。则推断出，FP是把错的分成了对的，而FN则是把对的分成了错的。（我的记忆方法：首先看第一个字母是T则代表分类正确，反之分类错误；然后看P，在T中则是正类，若在F中则实际为...
机器学习/深度学习入门：准确率(查准率)、召回率(查全率)、F值和误识率（FAR）、拒识率（FRR）、ROC曲线
M_Z_G_Y的博客
03-12 1万+
准确率(查准率)、召回率(查全率)、F值 正确率、召回率和F值是目标的重要评价指标。 正确率 = 正确识别的个体总数 / 识别出的个体总数 召回率 = 正确识别的个体总数 / 测试集中存在的个体总数 F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) 假设要识别照片中的狗的，在一些照片中，包含12只狗的照片和一些猫的照片。算法识别出有8只狗。在确定的8只狗中，5只实际上是...
机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)
上帝是个娘们的博客
04-25 5846
摘要： 　　数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)简介。 引言： 　　在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。 业内目前常常采用的评价指标有准确率(Precision)、召回率(Recall)、F值(F-Measure)等，下图是不同机器学习算法的评价指标。下文讲对其中某些指标做简要介绍...
召回率与正确率
qq_43691113的博客
09-23 342
在讲召回率和正确率之前，先看四个单词： T：True 样本为正样本 F：False 样本为负样本 P：positive 表示预测正确 N：Negative 表示预测错误 TP FP TN FN 1.召回率（recall） recall=TP/(TP+FN) 意思就是在所有正样本中，预测正确了多少？ 2.正确率（precise） precise=TP/(TP+FN) 意思就是系统预测为正样本中，预测正确了多少？ ...
详解准确率、精确率、召回率、F1值等评价指标的含义
谓之小一
01-31 3万+
机器学习问题之中，通常需要建立模型来解决具体问题，但对于模型的好坏，也就是模型的泛化能力，如何进行评估呢？ 很简单，我们可以定一些评价指标，来度量模型的优劣。比如准确率、精确率、召回率、F1值、ROC、AUC等指标，但是你清楚这些指标的具体含义吗？下面我们一起来看看吧。 1.混淆矩阵 介绍各个指标之前，我们先来了解一下混淆矩阵。假如现在有一个二分类问题，那么预测结果和实际结果两两结合会出现如下四种...
召回率 精确率 matlab,「机器学习」准确率、精确率、召回率、F1分数、ROC-AUC
weixin_34957720的博客
03-20 2806
「机器学习」准确率、精确率、召回率、F1分数、ROC-AUC机器学习最后更新 2020-08-31 16:22阅读 210最后更新 2020-08-31 16:22阅读 210机器学习在机器学习中衡量一个模型是否准确我们有很多指标：准确率 - accuracy精确率 - precision召回率 - recallF1分数-F1 scoreROC曲线下面积 - ROC-AUC (area under...
Pytorch 计算误判率,计算准确率,计算召回率的例子
01-21
下面就说说怎么计算准确率以及误判率、召回率等指标 1.计算正确率 获取每批次的预判正确个数 train_correct = (pred == batch_y.squeeze(1)).sum() 该语句的意思是 预测的标签与实际标签相等的总数 获取训练集总的...
准确度，精确度， 召回率
weixin_33985507的博客
05-10 1074
  准确率(正确率, accuracy)，精确度(precision)， 召回率(recall) 都是计算正条件值 (Condition positive， 正样本).   查准率（Precision）查准率反映了被判定为正例中真正的正例样本的比重 查全率（Recall）查全率反映了被判定的正例占总的正例的比重 100次地震预测， 实际10次地震，TP为10， RECALL为...
正确率/精度（precision）,召回率（recall）,F1-score，ROC 曲线，AUC值
Amberrr的博客
09-03 1765
准确率（accuaracy）= (TP+TN)/ ALL 即（TP+TN+FP+FN）,是我们最熟知的。 正确率/精度（precision）,召回率（recall）,F1-score，ROC 曲线，AUC值 1.正确率（precision）= TP / (TP + FP) 真正正确的在所有判断为正确的比例。 2.召回率（recall） = TP/(TP+FN) 所有正确的准确判断出来的概率。 3.F1-值(F1-score) = 2 * TP / (2 * TP+FP+FN) 是正确率和召回...
准确率(Precision)和正确率(Accuracy)的区别
weixin_48185819的博客
08-24 1万+
评价指标 　　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accuracy =1 - error rate； 　　3）灵敏度（sensitive） 　.
分类指标准确率(Precision)和正确率(Accuracy)的区别
win_in_action的专栏
05-17 6428
分类是一种重要的数据挖掘算法。分类的目的是构造一个分类函数或分类模型（即分类器），通过分类器将数据对象映射到某一个给定的类别中。分类器的主要评价指标有准确率(Precision)、召回率(Recall)、Fb-score、ROC、AOC等。在研究中也有采用Accuracy（正确率）来评价分类器的。但准确率和正确率这两个概念经常有人混了。 准确率(Precision) 和召回率(Recall)
分类模型常见F1分数、精确率、召回率、正确率、虚警率和漏检率、平衡精度、AUC等性能评价指标
程序猿进化梯
10-15 8258
目录1、常见的几种预测情况2、精确率和召回率（Precision And Recall）3、F1-分数（F1-Score）4、其他常见性能评价指标 1、常见的几种预测情况 TP ,True Positive,表示把正类预测为正类 TN,True Negative,表示把负类样本预测为负类 FP,False Positive,表示把负类预测为正类 FN,False Negative,表示把正类预测为负类。 “狼来了”的故事模型 2、精确率和召回率（Precision And Recall） 精确度/精确率（
机器学习：什么是召回率、准确率和精确率？
erkuoge6464的博客
04-04 6286
在机器学习中，经常会听到**准确率**、**召回率**及**精确率**三个专业评价指标，刚开始接触时，总是会傻傻的分不清，今天之后，就能准确区分了！
召回率和精准率
h2728677716的博客
03-19 586
召回率：真实正例的样本中预测结果为正例的比例 假设动物园中有一百只动物 那么其中老虎有20只，剩下的80只是其他的动物。 我们在做完预测后，预测结果20只动物里面有15只老虎（真正例），5只其他的动物（伪正例）。 那么召回率就是真正例数量/正例的数量 = from sklearn.metrics import classification_report print("每个类别的精准率和召回率：", classification_report(y_test, y_predi.
普及准确率、精确率、召回率
吉米_王
04-22 288
今天中午餐厅吃饭，大美丽抱着她每天的标配，大桶奶茶过来找我，当她把奶茶放在桌上之后，当时把我高兴坏了，心里想这学生太有心了，坦率讲我以为奶茶是送给我的，还被她套路了一个问题，哎渣女… 其实她问的问题，以前也有学生问过我，就是关于我们的标题：准确率、精确率、召回率 首先我们来说说，准确率 准确率 准确率是针对我们所有预测结果的，也就是所有预测对的所占所有预测样本的比例。 准确率（正确率）=所有预测正确的样本/总的样本 （TP+TN）/（TP+TN+FP+FN） 精确率 精确率是针对我们预测结果而.
准确率、精确率、召回率
最新发布
06-05
准确率、精确率、召回率都是用来评估分类模型性能的指标。 准确率是指分类器正确分类的样本数占总样本数的比例，通常用于样本类别比较均衡的情况，其计算公式为：准确率 = (TP+TN)/(TP+TN+FP+FN)，其中TP（True ...
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

Carlosi

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