[nlp] 二分类(F1),多分类,多标签

本文介绍了F1分数的概念,包括召回率和精确率。同时,解释了ROC曲线的原理,展示了它如何描绘不同阈值下模型的性能,以及如何通过AUC评估模型的分类效果。
摘要由CSDN通过智能技术生成

F1 score
在这里插入图片描述
在这里插入图片描述
召回率 recall : 真实正例中预测为正的比例。
准确率 precision : 预测为正的实例真实也为正(预测正确)的比例。
在这里插入图片描述
ROC曲线
其他展示分类模型性能的可视化技术是受试者特征曲线(ROC 曲线,Receiver Operating Characteristic curve)。
这个思想是相当简单的:ROC 曲线展示了 当改变在模型**(预测)中识别为正例的阈值时,召回率和精确度的关系会如何变化。
ROC 曲线在 Y 轴上画出了
真正例率(TPR

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

心心喵

喵喵(*^▽^*)

¥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
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