详解准确率、精确率、召回率、F1值等评价指标的含义

最新推荐文章于 2024-09-27 21:24:26 发布
最新推荐文章于 2024-09-27 21:24:26 发布
阅读量3.6w 收藏 218
点赞数 38
分类专栏： 机器学习 文章标签： 精确率 召回率 F1值 AUC ROC
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/XiaoYi_Eric/article/details/86726284
版权

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情况。
01

由于用数字1、0表示不太方便阅读，我们转换一下，用T(True)代表正确、F(False)代表错误、P(Positive)代表1、N(Negative)代表0。先看预测结果(P|N)，然后再针对实际结果对比预测结果，给出判断结果(T|F)。按照上面逻辑，重新分配后为
02

TP、FP、FN、TN可以理解为

  • TP：预测为1，实际为1，预测正确。
  • FP：预测为1，实际为0，预测错误。
  • FN：预测为0，实际为1，预测错误。
  • TN：预测为0，实际为0，预测正确。

2.准确率

首先给出准确率(Accuracy) 的定义，即预测正确的结果占总样本的百分比，表达式为
准 确 率 = T P + T N T P + T N + F P + F N 准确率=\frac{TP+TN}{TP+TN+FP+FN} 准确率=TP+TN+

最低0.47元/天 解锁文章
谓之小一
关注
专栏目录
准确率、召回率、F1值的思考
杨鑫newlife的专栏
07-19 4455
简述概念 准确率（Accuracy） 准确率（ACC）, 所有预测正确的占总样本的比重。 精确率/查准率（Precision） 精确率（P）：精确率/查准率，表示正确预测为正的占全部预测为正的比例。对某一类别而言为正确预测为该类别的样本数与预测为该类别的总样本数之比。 召回率（Recall） 召回率/查全率，表示正确预测为正的占全部实际为正的比例。对某一类别而言为正确预测为该类别的样本数与该类别的总样本数之比。 F1值 F1值：F1值为精确率和召回率的调和平均数，值越大越好。
准确率、召回率和F1数值区别
ZJQ的博客
08-10 366
比如极端情况下，我们只搜索出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；而F值，则是综合这二者指标的评估指标，用于综合反映整体的指标。现在以捕鲤鱼为目的。一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；
机器学习中常用的评价指标：分类(准确率、精确率、召回率、F1-score、AUC)、回归（MSE、RMSE、MAE、 R2）、聚类（轮廓系数、SSE、Calinski-Ha）
最新发布
u013172930的博客
09-27 1640
机器学习常用评价指标，分类问题：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1-score、ROC 曲线和 AUC 值、Log 损失（Log Loss），回归问题：均方误差（MSE，Mean Squared Error）、均方根误差（RMSE，Root Mean Squared Error）、平均绝对误差（MAE，Mean Absolute Error）、决定系数（$R^2$ 或 $R$平方），聚类问题：轮廓系数（Silhouette Coefficient）、SSE
理解F1值
Einstellung的博客
07-23 2万+
选择评价指标时，了解它们的适用范围很重要。正确率应用范围很广，理解起来比较容易， 计算起来也方便。但是，造假很容易。换句话说，你很容易就能实现一个正确率很高，但实际用处不大的算法。 例如，对于垃圾邮件过滤器而言，其所处理的邮件很可能80%以上都是垃圾邮件，倘若一个过滤器把所有邮件都标为垃圾邮件，它没有实际应用价值，但是正确率却高达80%！ 为了解决这个问题，我们使用另一个为常用的评价指标F...
多分类评价指标：准确率、精确率、召回率、F1值
热门推荐
m0_64748541的博客
04-22 3万+
准确率、精确率、召回率、F1值 定义： 准确率（Accuracy）：正确分类的样本个数占总样本个数， A = (TP + TN) / N 精确率（Precision）(查准率)：预测正确的正例数据占预测为正例数据的比例， P = TP / (TP + FP) 召回率（Recall）(查全率)：预测为正确的正例数据占实际为正例数据的比例， R = TP / (TP + FN) F1 值（F1 score）： 调和平均值， F = 2 / (1/P + 1/R) = 2 * P...
精确率、召回率、F1 值、ROC、AUC等分类模型评价指标含义与作用详解
weixin_45459911的博客
03-30 1万+
文章目录摘要一、精确率、召回率、F函数、准确率和错误率1、定义2、区别与应用二、ROC曲线、P-R曲线、AUC1、P-R曲线2、ROC曲线3、AUC 摘要 在涉及机器学习领域的分类问题时（尤其是衡量推荐系统性能时），经常会遇到诸如准确率、召回率、ROC、AUC等名词。本文就来详细阐述一下各类评价指数的具体含义和特点。 一、精确率、召回率、F函数、准确率和错误率 1、定义 结合混淆矩阵进行说明 1...
准确率与召回率
LEEtcWorks
12-11 1461
准确率与召回率（Precision & Recall）        精度和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。 一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少
详解准确率、精确率、召回率、F1值的含义
小白之比白更白的博客
10-30 2万+
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情况。 由于用数字1、0表示不太方便阅读，我们转换一下，用T(True)代表正确、F(Fals.
准确率，精确率，召回率以及F1 score详解
sinat_36618660的博客
08-30 3742
(一)、什么是准确率？ 准确率是指分类正确的样本占总样本个数的比例，其定义如下所示： Accuracy=ncorrectntotalAccuracy=\frac{n_{correct}}{n_{total}}Accuracy=ntotal​ncorrect​​其中AccuracyAccuracyAccuracy指的是准确率，ncorrectn_{correct}ncorrect​指的是被分类正确的...
实习点滴（11）--TensorFlow快速计算“多分类问题”的混淆矩阵以及精确率、召回率、F1值、准确率
龙王Black的博客
08-24 1万+
在机器学习中，我们会利用一些指标（混淆矩阵、精确率、召回率、F1值、准确率）来判断我们模型的好坏，从而改进优化模型。下面介绍如何在TensorFlow下快速计算这些指标。
机器学习中的准确率、召回率、F值详解
weixin_49341882的博客
07-27 3263
机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)： 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。 业内目前常用的评价指标有准确率、召回率、F值等等，下图是不同机器学习算法的评价指标。下午讲对其中某些指标做简要介绍。 本文针对二元分类器！ 在介绍指标之前必须先了解...
评估指标：精确率，召回率，F1_score，ROC，AUC
Western_europe
07-01 1951
分类算法评估标准详解 分类准确度并不能够评估所有的场景，展示的结果也比较片面，这时候就需要其他的评估方法来进行测量评估。 所以接下来介绍一些其他的评估标准，将从以下5个方面来介绍： 混淆矩阵 精准率和召回率 F1 Score ROC曲线 AUC 一、混淆矩阵（Confusion Matrix） 对于二分类问题，所有的问题分为0和1两类，混淆矩阵是2*2的矩阵： TP：真实值是1，预测值是1，即我们预测是positive，预测正确了。 FN：真实值是1，预测值是0，即我们预测是negative，但预测错误了
【概念+实例】一文搞懂机器学习中的准确率、精确率、召回率、F1分数
hahaha_1112的博客
11-03 2930
【概念+实例】一文搞懂机器学习、深度学习中的准确率、精确率、召回率、F1分数
机器学习评估分类结果——精准率、召回率、F1Score
m0_58700887的博客
06-30 4796
机器学习评估分类结果——混淆矩阵、精准率、召回率、F1Score
准确率、精确率、召回率、F1值、ROC/AUC整理笔记
2d3d图像算法 halcon\opencv\c++\pcl\vtk\coluldcompare工具 程序员 学习者
05-03 1万+
文章目录前言一、TP、TN、FP、FN概念二、准确率、精确率（精准率）、召回率、F1值1.准确率（Accuracy）2.精确率（Precision）查准率3.召回率（Recall）查全率4.F1值（H-mean值）三、ROC曲线、AUC值1.ROC曲线2.AUC值总结 前言 案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb 对于分类问题，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
深入理解与运用机器学习评估指标：准确率、召回率、F1分数与AUC-ROC曲线
qq_51320133的博客
04-02 3156
在机器学习领域，选择合适的模型评估指标对于模型性能的公正评价至关重要。特别是在监督学习问题中，如分类任务，我们需要借助一系列量化指标来衡量模型对训练样本的学习效果以及在未知数据上的泛化能力。本文将深入探讨四种常用的评估指标：准确率、召回率、F1分数以及AUC-ROC曲线，并分析它们在不同应用场景下的优势与局限性。准确率是最直观也最常被提及的评估指标之一。它衡量的是模型预测正确的样本数占总样本数的比例。
准确率、精确率、召回率、F1-score
ywfwyht的博客
02-22 1万+
追求召回率高，则通常会影响精确率。F1值为算数平均数除以几何平均数，且越大越好，将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。直白的意思就是模型预测为正例的样本中，其中真正的正例占预测为正例样本的比例，用此标准来评估预测正例的准确度。以实际样本为判断依据，实际为正例的样本中，被预测正确的正例占总实际正例样本的比例。
多分类机器学习评价指标之准确率、精确率、召回率、F1值、ROC、AUC
qwe1110的博客
12-04 2万+
准确率、精确率、召回率、F1值 定义： 准确率（Accuracy）：正确分类的样本个数占总样本个数， A = (TP + TN) / N 精确率（Precision）：预测正确的正例数据占预测为正例数据的比例， P = TP / (TP + FP) 召回率（Recall）：预测为正确的正例数据占实际为正例数据的比例， R = TP / (TP + FN) F1 值（F1 score...
准确率、召回率和F1数值
是木子啦~
04-02 1291
比如极端情况下，我们只搜索出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。F值 = 70% * 100% * 2 / (70% + 100%) = 82.35%
评论 3
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