机器学习评价指标（1）——灵敏度（sensitivity）/查准率/召回率（Recall）/和特异度（Specificity）

已于 2022-04-14 08:09:13 修改
阅读量2.4w 收藏 88
点赞数 26
分类专栏： 机器学习（ML） 文章标签： 机器学习
于 2020-06-26 09:51:12 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/Robin_Pi/article/details/106966210
版权

1. 敏感性和特异性

  • 理想状态：标准或者阈值在分界点
    在这里插入图片描述
  • 实际状况：漏诊和误诊二者择一
    在这里插入图片描述
    在这里插入图片描述

若选用绿线作为判断标准，则没有误判一个正常人，但是漏掉了部分患者。这种情况下，特异度最高；

  • 特异度（TNR）：true negative rate，描述识别出的负例占所有负例的比例
    计算公式为：TNR= TN / (FP + TN) 。
    特异度越高的意思是，尽可能多地负例判断为负，即将正常人判定为正常人，而不出现误判。（所以分子代表的是判断正确的负例，分母为样本真实的负例）
    在绿线这里，表示的也就是将所有的正常人（负例）全部判断为负。
<
最低0.47元/天 解锁文章
Robin_Pi
关注
专栏目录
优化算法——全局灵敏度分析算法（PAWN ）（Matlab代码实现）
weixin_46039719的博客
08-19 2274
优化算法
机器学习 | 准确率、召回率、精准率、特异度傻傻分不清？ROC曲线怎么看？一篇文章帮你搞定
Huiwen18的博客
04-27 4301
提高召回率是为了少漏报；提高精准率是为了少错报。ROC曲线纵轴为真正率，横轴为假正率
召回率 (Recall)
最新发布
大连赵哥的博客
07-26 1035
召回率 (Recall)
机器学习中的准确率，敏感性，特异性，阳性预测值，阴性预测值，假阳率，假阴率 -九五小庞
qq_37241964的博客
01-15 3920
准确率是指分类模型正确预测的样本数占总样本数的比例，其计算公式为：(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。敏感性也称为召回率或真正率，是指分类模型正确预测为正例的样本数占所有正例样本数的比例，其计算公式为：TP / (TP + FN)。阴性预测值是指分类模型预测为反例的样本中真正为反例的比例，其计算公式为：TN / (TN + FN)。阴性预测值越高，说明模型预测为反例的样本越可靠。
precision，recall，sensitivity， specificity ，mAP等几种评价指标
weixin_43508499的博客
08-07 1万+
目录1.图像分类准确率Accuracy2.Accuracy的缺点3.什么是precision、recall以及F1指标、ROC曲线4.mAP的计算 1.图像分类准确率Accuracy 假设有测试样本100张图像，其中有90张预测对了类别，则准确率为： Accuracy = 90/100*100% = 90% 2.Accuracy的缺点 假设测试样本100张，其中正例90张，负例10张，我们预测（瞎...
Python机器学习-灵敏度分析
全栈川川
10-02 2696
灵敏度分析
Recall（召回率） Precision（准确率） F-Measure E值 sensitivity（灵敏性） specificity（特异性）漏诊率 误诊率 ROC AUC
jiandanjinxin的专栏
07-06 1万+
Berkeley Computer Vision page Performance Evaluation 机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率 True Positives, TP：预测为正样本，实际也为正样本的特征数 False Positives,FP：预测为正样本，实际为负样本的特征数 True Negatives,TN：预测为负样本，实际也为
[WakeEnter]有关工业上的机器学习特异性敏感性的探究
维克的博客
06-14 149
rt
深度学习中评估指标：准确率Accuracy、召回率Recall、精确率Precision、特异度（真阴性率）和误报率、灵敏度（真阳性率）和漏报率、F1、PR、ROC、AUC、Dice系数、IOU
Gatekeeper的博客
01-18 1万+
预测 1 0 实际情况 1 真阳性(TP) 假阴性(FN) ...
详解准确率、精确率、召回率、F1值等评价指标的含义
热门推荐
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...
【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率
钱多多先森
06-08 7791
对基于固定阈值的混淆矩阵进行了详尽的介绍和代码展示，包括依次引申出来的各个评价指标
Sklearn机器学习——样本不平衡问题解决、精确率、召回率、ROC曲线
qq_47250064的博客
09-01 6680
介绍样本分类不平衡问题的解决办法，以及SVC的六个模型评价指标，ROC曲线。
Recall（召回率）和 sensitivity（灵敏性）是同一个概念，其他无相同点
studyvcmfc的专栏
08-24 4747
Recall（召回率）和 sensitivity（灵敏性）是同一个概念，其他无相同点 https://blog.csdn.net/jiandanjinxin/article/details/51840829?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant_t0.n.
机器学习评价指标
qq_41870170的博客
07-21 3014
机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线 以下第一部分内容转载自：机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)是怎么一回事 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(Precis
机器学习的准确率和召回率,灵敏度和特异度
qq_60152842的博客
07-03 988
FP - False, Positive，即实际为负判断为负。FN - False, Negative，即实际为负判断为正。TP - True, Positive，即实际为正判断为正。TN - True, Negative，即实际为正判断为负。精准率：在所有被预测为正的样本中实际为正样本的概率，召回率：在所有实际为正的样本中预测为正样本的概率，特异度：在所有判断为负的样本中实际为正样本的概率。召回率 = TP/ (TP+FN)精准率 = TP/(TP+FP）特异度 = TN/(FP+TN)
机器学习：混淆矩阵、准确率、错误率、灵敏度、特异度、精准率、召回率、F-Measure、ROC曲线 & PR曲线
SunshineSki的博客
03-02 2万+
从FPR和TPR的定义可以理解，TPR越高，FPR越小，我们的模型和算法就越高效。比如，把蓝色虚线放到第一张图片下面，也就是说让系统只识别出最上面的那张飞机图片，那么Precision的值就是100%，而Recall的值则是20%。如果把蓝色虚线放到第二张图片下面，也就是说让系统只识别出最上面的前两张图片，那么Precision的值还是100%，而Recall的值则增长到是40%。灵敏度（Sensitive 表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力，在数值上等于召回率Recall）
机器学习中的特异性和敏感性
weixin_51273111的博客
04-16 674
ROC (受试者工作特征曲线, receiver operating characteristic curve)描绘了分类器在 fp rate (错误的正例,横轴) 和tp rate(真正正例，纵轴) 间的trade-off（权衡）。注意：正例实际上是指我们所关注的类别，如癌症判断中，我们关注的是患病，所以患有癌症为正例，也叫阳性；未患病为负例，也叫阴性。FP:假正例，也叫假阳性。被错误诊断为患病的健康人（也就是误诊）(FP rate表示负例中标错的概率，ROC曲线的横轴)FN:假负例，也叫假阴性。
【算法】【模型】灵敏度分析，敏感性分析 【Sensitivity analysis】
wq6qeg88的博客
04-10 3127
在优化中，我们常常会将决策变量前面的参数直接取值，如运费的价格、物料的成本等，但事实上价格成本等因素受市场波动很大，因此需要进行稳定性测试:而预测类问题由于对未来情况的不确定性，往往对相关指标进行限定，如死亡率、移民率等，则需要进行对其进行灵敏度的分析。其实质是通过逐一改变相关变量数值的方法来解释关键指标受这些因素变动影响大小的规律。因此，灵敏度分析几乎在所有的运筹学方法以及在对各种方案进行评价时都是很重要的。敏感性分析是指从定量分析的角度研究。通过灵敏度分析还可以分析。的一种不确定分析技术。
机器学习计算特异度和灵敏度
05-22
在机器学习中，特异度和灵敏度是衡量分类模型性能的重要指标。 特异度（specificity）指的是模型正确预测负样本的能力，即预测为负样本且真实标签也为负样本的样本数占所有真实负样本的比例。计算公式为： 特异度 = TN / (TN + FP) 其中，TN 表示真实标签为负样本且模型预测也为负样本的样本数，FP 表示真实标签为正样本但模型预测为负样本的样本数。 灵敏度（sensitivity）指的是模型正确预测正样本的能力，即预测为正样本且真实标签也为正样本的样本数占所有真实正样本的比例。计算公式为： 灵敏度 = TP / (TP + FN) 其中，TP 表示真实标签为正样本且模型预测也为正样本的样本数，FN 表示真实标签为负样本但模型预测为正样本的样本数。 综合考虑特异度和灵敏度可以评估模型的整体性能。具体来说，如果模型的特异度和灵敏度都很高，则说明模型对正负样本的预测都比较准确；如果模型的特异度很高但灵敏度较低，则说明模型对负样本的预测较准确，但对正样本的预测可能存在较多误判；如果模型的灵敏度很高但特异度较低，则说明模型对正样本的预测较准确，但对负样本的预测可能存在较多误判。因此，根据具体的应用场景和需求，可以选择不同的指标进行模型性能评估。
评论 1
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