机器学习实战(基于scikit-learn和TensorFlow)学习心得(14)--Precision and Recall and F1

最新推荐文章于 2023-07-20 14:56:29 发布
最新推荐文章于 2023-07-20 14:56:29 发布
阅读量315 收藏
点赞数
分类专栏： 机器学习实战学习心得 文章标签： 机器学习 大数据 深度学习
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/Tomswordyan/article/details/104602991
版权
本文探讨了在机器学习中，评估classifier性能时，精确率(Precision)和召回率(Recall)的重要性。通过实例解释了它们的定义，指出在不同场景下选择合适的指标至关重要。同时，介绍了F1分数作为两者综合评价的指标，并讨论了Precision-Recall权衡问题。
摘要由CSDN通过智能技术生成

当我们考验一个classifier的好坏的时候,精准度并不是一个非常好的指标,对于不同的任务我们有两种衡量精准度的办法,precision(精确率)和recall(召回率)
假设我们想要识别一组手写数字中的5
在这里插入图片描述
从上图可知
左上角是系统识别出来不是5而且标签也不是5的图片(正确的分类也叫true negative{TN})
右上角是系统识别出来是5但是实际上不是5的图片,叫false positive(FP)
左下角是系统识别出来不是5但实际上是5的图片,叫false negative(FN)
右下角是系统识别出来是5而且实际上也是5的图片,叫true positive(TF)
那么精确度的定义是
在这里插入图片描述
精确率的含义是系统识别为正确的所有结果中，真正正确是识别数量有多少个所占的比例，也就是说识别为正的结果中，有的识别对了，有的识别错了，因此会有精确的问题.从实际应用来讲就是淘宝要用的系统,给顾客推荐商品不能太多太烦,最好是每一个推荐的商品都是顾客想要的,这样的话精确率就是100%.

而召回率的定义是
在这里插入图片描述

召回率就是在所有的真正正确的样本中，预测对了多少。我们可以理解为，对于一个预测集，我么能将其中正例的多少正确的寻找出来。举例来讲就是警察们抓逃犯的系统的召回率一定要高,不能把罪

最低0.47元/天 解锁文章
带刀的骑士
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习实战----使用Python和Scikit-Learn构建简单分类器
Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！交流学习、商务合作：https://bbs.csdn.net/topics/614347534
12-22 6810
今天我们将学习使用Python和Scikit-Learn创建一个简单的文本分类器来识别垃圾邮件。我们将先介绍数据集，并通过可视化和数据预处理方式更好地理解数据集。接着，我们将选择一个算法并使用训练集拟合它。最后，我们将评估该分类器并使用新数据进行预测。
tensoflow keras 多分类 precision的代码
xcxxdycsdn的博客
08-19 445
基于tensorflow 2.9，实现的多分类precision，可在keras模型编译时直接调用，适用于输出层为keras.layers.Dense(n, activation="softmax"）的多分类模型
TensorFlow tf.metrics accuracy precision recall 二分类和多分类（TensorFlow 自带没有多分类指标）
weixin_48185819的博客
08-26 2534
平时用的评价指标 tf.metrics.accuracy() tf.metrics.precision() tf.metrics.recall() 需要注意： tf.metrics 不支持precision/recall/f1多分类效果指标的计算，其中为二分类指标 计算二分类precision/recall效果指标，可通过如下实现方式： def metric_fn(per_example_loss, label_ids, logits): predictions = tf..
tensorflow中precision,recall和F1
Deep Learning and NLP Farm
02-28 1万+
我一直找precision和recall怎么计算，因为一直调用函数的关系，我以为tensorflow已经封装写好了这样的调用的方法，一直没找到，看来是自己太懒惰了，失去了动手的欲望，在下面的地址中看到别人写的代码，虽然不能照搬使用，能有所启发也是很重要啊。 https://gist.github.com/Mistobaan/337222ac3acbfc00bdacdef tf_confusion_
Tensorflow多分类指标 如何用tf.metrics计算precision、recall、f1值
weixin_42234769的博客
07-20 2542
"""Multiclass""" __author__ = "Guillaume Genthial" import numpy as np import tensorflow as tf from tensorflow.python.ops.metrics_impl import _streaming_confusion_matrix def precision(labels, predictions, num_classes, pos_indices=None, wei
tensorflow 里metrics_TensorFlow函数：tf.metrics.precision
weixin_39542936的博客
12-30 616
tf.metrics.precision函数tf.metrics.precision(labels,predictions,weights=None,metrics_collections=None,updates_collections=None,name=None)定义在：tensorflow/python/ops/metrics_impl.py.计算与labels相关的predictions...
基于sklearn计算precision、recall等分类指标
酒酿小圆子呀～
07-20 3610
我们可以知道，精度(precision)、查全率(recall)、F1的计算，是针对于二分类器来定义的。他们的计算，只与y_true和y_pred有关，要求y_true和y_pred中只含有0和1两个类别。我们在实际计算上述分类指标中，可以直接调用sklearn中的函数库实现。
机器学习实战(基于scikit-learn和TensorFlow)学习心得(8)--SCIKIT-LEARN DESIGN
Tomswordyan的博客
02-26 581
原文及翻译: Scikit-Learn’s API is remarkably well designed. The main design principles are: Consistency. All objects share a consistent and simple interface: Scikit-Learning的API设计得非常好。主要的设计原则是： 一致性。所有对象共享一...
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》-学习笔记（3）
Morganfs的博客
04-02 1974
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》-学习笔记（3） Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurélien Géron (O'Reilly). Copyright 2019 Aurélien Géron, 978-1-492-03264-9.
Python Scikit-learn库：机器学习入门与实践
最新发布
07-26
除了混淆矩阵之外，Scikit-learn还提供了许多其他有用的评估指标，比如精确度（Precision）、召回率（Recall）、F1分数（F1-Score）等。 #### 精确度（Precision） 精确度是指模型预测为正类的样本中实际为正类的...
机器学习实战(用Scikit-learn和TensorFlow进行机器学习)(四)
fjl_CSDN的博客
01-10 8435
上一节三节讲述了真实数据（csv表格数据）的一个实战操作的总流程，然而这个处理是一个回归模型，即目标是一些连续的值(median_house_value)。当目标是一些有限的离散值得时候（比如数字0-9），就变成了分类问题，下面开始讲述分类问题。四、分类问题  下面将使用新的具有代表性的数据集MNIST（手写体数字数据集），数据集总共有70000个小图片，每个小图片为一个手写的数字，（数据中0代表白
tensorflow中f-measure,Precision / Recall / F1 score 以及Confusion matrix的计算
wingfox117的专栏
02-10 1万+
使用tensorflow计算f-measure和召回率等内容的，需要安装一个sklearnwin7 64 下 你只需要输入 pip3 install sklearn 即可 下边是例子：来自于stackoverflow 感谢这个网站吧：原帖子https://stackoverflow.com/questions/35365007/tensorflow-precision-recall-f1-scor...
‘tensorflow.python.training.experimental.mixed_precision‘ has no attribute ‘_register_wrapper_optimi
三木君的博客
09-17 496
这个问题我尝试了修改keras的源文件和重装都不太好使。参考百度前几的解决方案。最终我安装了tensorflow2.5.0然后没这个问题了。
64-Precision-Recall的平衡
qq_41033011的博客
10-21 532
Precision-Recall的平衡   上一篇博客介绍了在有一些场景我们可能更注重精准率，有一些场景可能更注重召回率。还有一些情况下，我们可能并不是特别偏向精准率和召回率，此时我们希望两者越大越好，此时我们就可以用 F1F1F1 ScoreScoreScore 这样的指标来综合精准率和召回率这两个指标。那么我们怎么同时使这两者都特别的大呢？其实这样的目标有可能是实现不了的，因为精准率和召回率之间是互相矛盾的指标。如果想要精准率提高，召回率就会不可避免地下降；想要召回率提高，精准率就不可避免地下降。我们要
TensorFlow自定义评估指标
CSDN 精品推荐
01-02 1129
TensorFlow内置常用指标： AUC() Precision() Recall() 等等 有些时候我们的指标不止这些，需要根据我们自己特定的任务指定自己的评估指标，这时就需要自定义Metric，需要子类化Metric，也就是继承keras.metrics.Metric，然后实现它的方法： __init__：这个方法是用来初始化一些变量的 update_state：参数有真实值、预测值，采样权重，我们需要在这个方法内进行更新状态变量 result：使用状态变量计算最终的评估结果 reset_sta
python 中，sklearn包下的f1_score、precision、recall使用方法，Accuracy、Precision、Recall和F1-score公式，TP、FP、TN、FN的概念
mzm123321的博客
05-11 1万+
sklearn.metrics.f1_score官网链接sklearn.metrics.f1_score — scikit-learn 1.0.2 documentation sklearn.metrics.f1_score(y_true,y_pred,*,labels=None,pos_label=1, average='binary',sample_weight=None,zero_division='warn') 重要参数说明： y_true：一维数组，或标签指示数组/稀疏矩阵 .......
为什么Precision高Recall就低——F1 score
热门推荐
未名方略
04-16 1万+
F-score
关于precision-recall曲线下降特性的探讨
Germanknight的专栏
04-16 4718
本人的毕设由于涉及到检索，需要使用准确率与召回率（precision-recall）指标衡量检索算法的有效性。众所周知，precision-recall曲线通常呈下降趋势，也即使用同一检索方法对不同检索用例进行检索，若检索结果的准确率越高，召回率总会反而越低。本人对这一现象表示好奇，一直想搞明白其中的道理，也在网上查过相关资料。但暂时未发现有人系统地讨论过原因，大多数都是炒冷饭式的描述：两者并无必
klearn 文本分类_详细解析scikit-learn进行文本分类
05-22
Scikit-learn是一个Python的机器学习库，提供了丰富的机器学习算法和工具。其中，文本分类是机器学习中一个重要的应用场景，而Scikit-learn也提供了许多文本分类的工具和算法。 下面详细解析如何使用Scikit-learn...
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