分类评判标准：准确率，召回率，F值

最新推荐文章于 2022-09-07 14:24:00 发布
最新推荐文章于 2022-09-07 14:24:00 发布
阅读量1.5k 收藏
点赞数
分类专栏： 机器学习实践
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/Yumi_huang/article/details/81054373
版权

注：由于翻译时有的Precision会翻译成准确率有的会翻译成精确率，我就不纠结这个到底是什么了，总之评价的标注有：Precision, Recall, F-score。

以前一直觉得Precision是可以用 对的/总的，今天和师姐一起稍稍研究了一下发现并不是这样的。师姐说我说的这个 对的/总的 叫做Accuracy 

     +1    -1
+1   TP    FP
-1   FN    TN

TP：模型把正类预测为正类
FP：模型把正类预测为负类
FN：模型把负类预测为正类
TN：模型把负类预测为负类
Precision
Precision的意义是：预测为正的样本中有多少是真正的正样本
计算公式：Precision = TP/(TP+FP)
Recall
Recall的意义是：样本中的正例有多少被预测正确了
计算公式： Recall = TP/(TP+FN)
F-score
F-Measure是Precision和Recall加权调和平均。
这里写图片描述
当α=1时就是我们最常见的F1值
这里写图片描述

Reference
知乎-如何解释召回率与准确率？

yumi_huang
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
分类模型评估：混淆矩阵、准确率、召回率、ROC
Laurence的技术博客
02-13 3171
在二分类问题中，混淆矩阵被用来度量模型的准确率。因为在二分类问题中单一样本的预测结果只有Yes or No，即：真或者假两种结果，所以全体样本的经二分类模型处理后，处理结果不外乎四种情况，每种情况都有一个专门称谓，如果用一个2行2列表格描述，得到的就是“混淆矩阵”。其中，假阳性（FP）又被称为“Type 1 Error”，假阴性（FN）又被称为“Type 2 Error”。在所有“预测为真”（TP+FP）的数据中，有多少是“真得预测对了”（TP）的? 这个百分比叫“准确率”（Precision）在所有“实际
准确率(Precision)、召回率(Recall)、F值对于模型的评估
qq_32572085的博客
04-15 4296
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，召回率，F值，机器学习分类问题的评价指标
weixin_34399060的博客
08-16 199
下面简单列举几种常用的推荐系统评测指标： 1、准确率与召回率（Precision & Recall） 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...
分类指标：准确率、精确率、召回率、F1 score以及ROC、AUC、宏平均、加权平均
TFATS的博客
06-29 9371
本文将介绍： 混淆矩阵（Confusion Matrix） 准确率（accuracy） 召回率（recall） 精确率（precision） F1score ROC和AUC 宏平均(macro avg) 微平均(micro avg) 加权平均(weighted avg) 一，混淆矩阵（Confusion Matrix） 在n分类模型中，使用n行n列的矩阵形式来表示精度，纵列代表n个分类，在每行中的n个数据代表分别预测在每个类别的个数，完美的预测应该是一个列序数=行中有数据的索引数的一条斜线。 TP：
分类、推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure) /(F-score)
smilehehe110的博客
12-21 1万+
对一些分类、推荐系统的评测指标如准确率（Precision）、召回率（Recall）和综合指标（F-measure）作了说明。
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 召回率_一文看懂分类模型的评估指标：准确率、精准率、召回率、F1
weixin_39862899的博客
12-19 750
机器学习模型需要有量化的评估指标来评估哪些模型的效果更好。本文将用通俗易懂的方式讲解分类问题的混淆矩阵和各种评估指标的计算公式。将要给大家介绍的评估指标有：准确率、精准率、召回率、F1、ROC曲线、AUC曲线。机器学习评估指标大全所有事情都需要评估好坏，尤其是量化的评估指标。高考成绩用来评估学生的学习能力杠铃的重量用来评估肌肉的力量跑分用来评估手机的综合性能机器学习有很多评估的指标。有了这些指标我...
分类器的准确率、召回率以及综合评价指标
Reberkah的博客
06-21 6456
引言 需求：如何评价一个分类器的好坏 我们主要用准确率（accuracy）和召回率（recall）来评价分类算法，然而，有时候并非准确率高就代表一个算法好，比如说对某区域的某天的地震预测，类别为0和1，然而，一个不加思考的分类器，会对每种情况都划分为0，那么，这个地震预测器的准确率很有可能达到99.9%，然而，当地震真的来临，这个模型会毫无知觉。这样的模型带来的损失是巨大的。这个时候，就需要考虑到...
详解准确率、精确率、召回率、F1值等评价指标的含义
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...
TP、FN、FP、TN、准确率、召回率、F1
最新发布
羊老羊
09-07 2530
助记：TP、FN、FP、TN 主讲：精确率 召回率
理解准确率、精确率、召回率等评价指标含义以及在SVM模型中的应用
Liii_NN的博客
09-06 1万+
目录 一、混淆矩阵 二、实例分析 1、准确率（Accuracy） 2、精确率（Precision） 3、召回率（Recall） 4、F值 5、AUC 总结 一、混淆矩阵 混淆矩阵（Confusion Matrix）是评估模型结果的指标，属于模型评估的一部分，如下图所示。 实际表现 1 0 预测表现 1 TP FP 0 FN TN 如果用T(True)代表正确、F(False)代表错误、P(Pos...
分类指标准确率(Precision)和正确率(Accuracy)的区别
lizz2276的博客
05-24 6361
http://www.cnblogs.com/fengfenggirl/p/classification_evaluate.html 一、引言 分类算法有很多，不同分类算法又用很多不同的变种。不同的分类算法有不同的特定，在不同的数据集上表现的效果也不同，我们需要根据特定的任务进行算法的选择，如何选择分类，如何评价一个分类算法的好坏，前面关于决策树的介绍，我们主要用的正确率（accuracy）来评价分类算法。 正确率确实是一个很好很直观的评价指标，但是有时候正确率高并不能代表一个算法就好。比如某个地区某天地震
分类评价标准
qq_27009517的博客
07-03 3451
文章目录1. 概述2.混淆矩阵4.多个类别4.1.代码5.ROC和AUC5.1.ROC的理论5.2.ROC绘制5.2.1.代码5.3.AUC5.4.ROC的相关总结5.4.1.ROC曲线的优点5.4.2.ROC曲线的缺点6.PR曲线6.1.代码6.2.使用场景7.IoU8.代码参考 1. 概述 对语料进行分类后，要对分类结果进行评价。假设模型分类后的结果如下表2.3： （1）准确率（precision）和召回率（recall） 准确率，是分类结果中的某类别判断正确的文档中有多少是真正的正样本的比例，是针对
分类算法评价标准
hermito的专栏
04-06 1万+
一、引言 分类算法有很多，不同分分类算法又用很多不同的变种。不同的分类算法有不同的特定，在不同的数据集上表现的效果也不同，我们需要根据特定的任务进行算法的选择，如何选择分类，如何评价一个分类算法的好坏，前面关于决策树的介绍，我们主要用的正确率（accuracy）来评价分类算法。 正确率确实是一个很好很直观的评价指标，但是有时候正确率高并不能代表一个算法就好。比如某个地区某天地震的预测，
学习笔记：二分类算法的评判标准
folk_的博客
05-11 1783
最近在写逻辑回归，不知道有什么分类的评判标准，问了导师之后了解到有F-Score、Roc、Auc等标准。 在画Roc图像之前，先去了解了很多关于分类的评判标准的术语，在此总结整理。 一、TP、TN、FP、FN 对于二分类，若默认positive为1，negative为0。则有： TP（TRUE POSITIVE）：预测正确（正确的预测成正例），即样本值为1，预测值为1 ...
分类模型的评估方法-F分数(F-Score)
热门推荐
saltriver的专栏
06-30 9万+
前面介绍了机器学习中分类模型的精确率(Precision)和召回率(Recall)评估指标。对于Precision和Recall，虽然从计算公式来看，并没有什么必然的相关性关系，但是，在大规模数据集合中，这2个指标往往是相互制约的。理想情况下做到两个指标都高当然最好，但一般情况下，Precision高，Recall就低，Recall高，Precision就低。所以在实际中常常需要根据具体情况做出取舍
分类之性能评估指标
D.W 的专栏
03-12 1万+
本文主要介绍几种常用的分类评估指标，同时介绍如何绘制ROC曲线以及AUC值的便捷的计算方法。最后再附上一个绘制ROC曲线和计算AUC的源码实现。Precision和Recall首先我们来看看下面这个混淆矩阵： pred_label/true_label Positive Negative Positive TP FP Negtive FN TN 如上表所示，行表示预
分类器的不同的性能评价指标
winycg的博客
05-19 9380
读取混淆矩阵（confusion matrix） 混淆矩阵是一个2×2的方阵，用于展示分类器预测的结果——真正（true positive），假负（false negative）、假正（false positive）及假负（false negative） sklearn中使用confusion_matrix函数实现： import matplotlib.pyplot as plt f...
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