准确率（Precision）和召回率（Recall）

最新推荐文章于 2024-06-04 16:23:04 发布
最新推荐文章于 2024-06-04 16:23:04 发布
阅读量3.9k 收藏 1
点赞数 1
文章标签： 性能指标 准确率 召回率
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/Ying_Xu/article/details/50535339
版权

因为最近在研究图像检索的时候，需要考虑检索性能的时候常常会用到准备率和召回率这样的参数。之前又一直会忘记或者混淆，所以这里做一个记录。


看到一张解释得一目了然的图片来解释这两个概念，故引用至此。

（引用连接：http://www.cnblogs.com/bluepoint2009/archive/2012/09/18/precision-recall-f_measures.html）


从上图理解可以知道，

所谓的准确率（Precision）就是指检索出来的条目中（有准确的和不准确的）准确的占比是多少，

所谓的召回率（Recall）就是指检索出来的准确的条目数占所有准确的条目中的占比，也就是所有准确的条目有多少被检索出来了。


然后就是一些true positive, False negative等的概念，有时候也跟上述两个指标联系起来使用。



性能中常常要考虑一个Precision和Recall的一个tradeoff，因此要视不同情况来定参数。


更多内容可以参考：http://blog.csdn.net/pirage/article/details/9851339

精度评定中的准确率（Precision）和召回率（Recall）
WoodyHD的专栏
05-05 2万+
在模式识别中，我们经常会使用到一些指标对目标识别或者影像分类的结果进行评价。 我们经常使用的有三个指标： （1）准确率（Precision），又称“精度”、“正确率”； （2）召回率（Recall），又称“查全率”； （3）F1-Score，准确率和召回率的综合指标。...
准确率(accuracy)召回率(recall)精确率(precision)的含义
weeeeeida的博客
12-26 5753
_
一文搞懂机器学习准确率(Accuracy)、精确率(Pecision)、召回率(Recall)以及TP、FP、TN、FN
Lucky_Alan_Gareth的博客
09-13 1万+
刚开始学机器学习尤其是计算机视觉的同学一定会接触到精确率(Pecision)和召回率(Recall)这两个词，看了公式还是一脸懵逼，今天就来通俗易懂的解释一下这两个关键的指标！ 这两个指标核心实质可以总结为： 提升精确率是为了不错报、提升召回率是为了不漏报 首先要了解一下TP、FP、TN、FN的基本概念 一、四个概念定义：TP、FP、TN、FN TP：（True Positive） 做出Positive的判定，而且判定是正确的 FP：（False Positive）做出Positive的判定，但
机器学习中精确率（precision）、召回率（recall）和准确率（accuracy）的理解
Bruce_0712的博客
06-10 1万+
注：网上很多讲解都瞎讲，把precision和accuracy概念混淆，误人子弟。 1.精确率（precision） 就precision而言有很多版本，各种说法不一，有精确率也有正确率更有甚者把准确率也搞出来了实在受不了，反正咱们看英文precision。 precision是表示预测为正样本中，被实际为正样本的比例。可以看出precision是考虑的正样本被预测正确的比例．根据图1-1可得其计算公式为：P = TP / (TP + FP) 2.召回率（recall） ...
Precision和Recall
chen_znn的博客
06-04 1900
本文解释了Precision和Recall
准确率precision与召回率recall详解
yykkkybs的博客
11-08 1051
1、两个最常见的衡量指标是“准确率（precision）”（你给出的结果有多少是正确的）和“召回率（recall）”（正确的结果有多少被你给出了） 这两个通常是此消彼长的（trade off），很难兼得。很多时候用参数来控制，通过修改参数则能得出一个准确率和召回率的曲线（ROC），这条曲线与x和y轴围成的面积就是AUC（ROC Area）。AUC可以综合衡量一个预测模型的好坏，这一个指标综合了precision和recall两个指标。 但AUC计算很麻烦，有人用简单的F-score来代替。F-score计
准确率accuracy/精确率precision/召回率recall的区别
xiaohuihui1994的博客
12-10 1620
实际上非常简单，精确率P是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是： 而召回率R是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。 其实就是分母...
准确率accuracy、精确率precision、召回率recall、f1_score
happy_wealthy的博客
05-18 1067
准确率(accuracy):对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。 由准确率，我们的确可以在一些场合，从某种意义上得到一个分类器是否有效，但它并不总是能有效的评价一个分类器的工作。举个例子,google抓取 了argcv 100个页面，而它索引中共有10,000,000个页面,随机抽一个页面，分类下,这是不是argcv的页面呢?如果以accuracy来判断我的工 作，那我会把所有的页面都判断为"不是argcv的页面",因为我这样效率非常高(return false,一句话),而accu
准确率(Precision)、召回率(Recall)、F值对于模型的评估
qq_32572085的博客
04-15 4517
一、有哪些模型评估方法？ 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。 倾向于使用准确率，是因为熟悉它的定义，而不是因为它是评估模型的最佳工具！ 精度（查准率）和召回率（查全率）...
准确率与召回率（Precision & Recall）、F-score
CLAY&Loser的博客
06-15 1374
准确率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）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。正确率、召回率和
Precision-Recall
人工智能
11-21 3735
Example of Precision-Recall metric to evaluate classifier output quality. Precision-Recall is a useful measure of success of prediction when the classes are very imbalanced. In information retrieva
Classification： Precision/Recall ,ROC, AUC等分类模型评估方法，Multilabel and Multioutput Classification
墨流觞的博客
10-07 3256
Classification 一.数据集获取及预处理 1 数据集导入 2数据集划分 二、binary classification 二元分类器 自己实现交叉验证函数 confusion matrix precision/recall tradeoff Precision/Recall曲线 ROC 曲线 AUC 三、Multiclass Classificati...
机器学习：准确率（Precision）、召回率（Recall）、F值（F-Measure）、ROC曲线、PR曲线
xueluowutong的博客
12-26 1107
介绍： 准确率（Precision）、召回率（Recall）、F值（F-Measure）是数据挖掘、机器学习 和推荐系统中的评测指标。 下图是不同机器学习算法的评价指标： 本文的对象是二元分类器！ 在 介绍评价指标必须了解“混淆矩阵” 混淆矩阵 True Positive(真正，TP)：将正类预测为正数类 True Negative(真负，TN)：将负类预测为负类数 Fals...
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
weixin_34144450的博客
07-22 1万+
yu Code 15 Comments  机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。(注： 相对来说，IR 的 ground truth 很多时候是一个 Ordered List, 而不是...
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
召回率（rec），准确率（acc），精确率（pre），F1值
热门推荐
Mr_Suda的博客
12-19 4万+
这几天在看有关ABSA论文的代码，而代码跑出来的结果除了有输出loss的值以外还有一个acc的值和一个F1的值。查看了网上对于一些博客以后，对于模型的这三个评价指标有了一个新的认识，因此在这里我写出了自己的认识。 1.混淆矩阵 提到召回率，准确率，精确率和F1值，我就不得不提一下什么叫做混淆矩阵。 混淆矩阵说简单一点就是一个矩阵。一个什么样的矩阵呢？一个关于预测值和真实值得一个矩阵。 （Tips：为了方便理解，下面会以一个二分类问题作为讲解） 这个句子的情感是不是积极的 实际值（1：积极，0
准确率和召回率
luoganttcc的博客
05-09 3437
链接 定义： 正确率 = 提取出的正确信息条数 / 提取出的信息条数 召回率 = 提取出的正确信息条数 / 样本中的信息条数 两者取值在0和1之间，数值越接近1，查准率或查全率就越高。 F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值） 不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目...
yolo8准确率精确率和召回率
最新发布
02-25
### YOLOv8 模型的准确率、精确率和召回率 对于YOLOv8模型而言，准确理解其性能评估中的几个核心概念至关重要。 #### 准确率（Accuracy） 在多类分类场景下，准确率是指所有预测正确的样本占总样本的比例。然而，在目标检测任务中，“准确率”这一术语并不常用，更多关注的是精确率(Precision)和召回率(Recall)，以及它们衍生出来的mAP指标[^1]。 #### 精确率（Precision） 精确率为真正例(True Positives, TP)除以真正例加假正例(False Positives, FP)的数量，即： \[ \text{Precision} = \frac{\text{TP}}{\text{TP}+\text{FP}} \] 这反映了当模型做出正面预测时，实际为真的比例。高精确率意味着很少有背景或其他物体被错误地标记为目标对象[^3]。 #### 召回率（Recall） 召回率定义为真正例(TP)除以真正例加上假反例(False Negatives, FN)的数量: \[ \text{Recall} = \frac{\text{TP}}{\text{TP}+\text{FN}} \] 该比率表示所有真实存在的目标中有多少被成功识别出来。较高的召回率表明较少的目标丢失未检出。 #### 综合考量 值得注意的是，虽然可以单独优化精确率或召回率，但在实践中往往需要找到两者之间的平衡点。例如，如果仅追求高的召回率而忽视精确率，则可能导致大量误报；反之亦然。因此，通常采用mAP作为整体性能度量标准，因为它考虑到了不同阈值下的平均精度变化情况。 ```python def calculate_precision_recall(tp, fp, fn): precision = tp / (tp + fp) if (tp + fp) != 0 else 0 recall = tp / (tp + fn) if (tp + fn) != 0 else 0 return precision, recall ```
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