分类问题的常用评价指标precision和recall

最新推荐文章于 2024-08-13 16:47:48 发布

Aha_tiger

最新推荐文章于 2024-08-13 16:47:48 发布

阅读量1.7k

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/aha_tiger/article/details/80719814

版权

机器学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

对于二分类问题常用的评价指标是精确率（precision）以及召回率（recall）。

通常，以关注的类为正类，其他的类为负类。

则在预测的时候会有如下四种情况：

TP——将正类预测为正类的数量
FN——将正类预测为负类的数量
FP——将负类预测为正类的数量
TN——将负类预测为负类的数量

精确率定义为：precision=TP/(TP+FP)

即在预测为正类的结果集中，真的为正类的比例定义为准确率。

召回率定义为：recall=TP/(TP+FN)

即在所有的正类中，被成功预测为正类的数量。

形象一点的例子：假设现在有一大群动物，正类为老虎。现在我们将判别每一只动物的种类。

那么准确率就是：在我们判定为老虎的动物中，precision=真老虎的数量 / 我们认为是老虎的数量。

而召回率就是：我们成功判定的老虎数量 / 所有真老虎的数量

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Aha_tiger

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

precision和recall

佐井白白的微笑

12-05

776

Recall(召回率);Precision（准确率）;F1-Meature（综合评价指标）;首先来个定义： Precision:被检测出来的信息当中正确的或者相关的（也就是你想要的）信息中所占的比例； Recall：所有正确的信息或者相关的信息(wanted)被检测出来的比例。查了资料都习惯使用四格图来解释,来个易懂的四格图： true positives (纳真) fal

基础学习笔记——Recall, Precision, and Average Precision

MinnieWW的专栏

11-20

8346

以下内容绝大部分内容翻译自： Mu Zhu , Recall, Precision, and Average Precision. Working Paper 2004-09 Department of Statistics & Actuarial Science University of Waterloo. 1. 先介绍一些基础内容和符号说明 C：一个很大item的集合。

参与评论您还未登录，请先登录后发表或查看评论

Precision和Recall

热门推荐

Zhang_hongchao的博客

07-14

2万+

类偏斜（skewed classes）情况表现为我们的训练集中有非常多的同一种类的实例，只有很少或没有其他类的实例。例如我们希望用算法来预测癌症是否是恶性的，在我们的训练集中，只有 0.5%的实例是恶性肿瘤。假设我们编写一个非学习而来的算法，在所有情况下都预测肿瘤是良性的，那么误差只有 0.5%。然而我们通过训练而得到的神经网络算法却有 1%的误差。这时，误差的大小是不能视为评判算法效果的依...

Precision & Recall

四流工程师

03-03

246

模式识别 & 信息检索领域中的二分类问题中：Precision：识别样本中，相关的样本比例； Recall：相关样本中，识别的样本比例；如：在9只Dog和若干Cat构成的集合中，一个分类器识别出了7只Dog；其中4只识别正确，另外3只为Cat；此时：Precision = 4/7 Recall = 4/9precision & recall 分别于第I类和第II类错误；上例中包含了3个第I类错误

多分类问题中每一类的Precision-Recall Corve曲线以及ROC的Matlab画法

zeroyl的专栏

12-01

9059

转载来自：http://www.zhizhihu.com/html/y2010/2447.html 这两天写论文中，本来设计的是要画这个Precision-Recall Corve的，因为PRC是从信息检索中来的，而且我又做的类似一个检索，所以要画这个图，但是我靠，竟然发现不好画，找了很多资料等。最后也没画好，多么重要好看实用的图啊，可惜了。今天就花了一点功夫，专门为自己

深度学习分类常见评价指标：accuracy recall precision specificity sensitivity AUC ROC 曲线

qq_38895920的博客

05-22

4175

深度学习分类时常用到以下指标，这里做一个总结：首先介绍一些指标的定义： (1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP) (2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN）这四个部分可以构成一个混淆矩阵： ...

precision和recall评价指标

03-25

A：precision和recall是用于评估二分类模型的常用指标。 Precision指模型预测为positive的样本中，有多少是真正的positive样本，即： $Precision=\frac{TP}{TP+FP}$ 其中，TP表示真正的positive样本数，FP表示被...

深度学习模型评估指标（区分二元分类和多分类含YOLO源码分析）：accuracy、precision、recall

北溟客的博客

06-25

3226

深度学习模型评估指标：accuracy、precision、recall1. 准确率（accuracy）、精确率（precision）、召回率（recall）1.1基本概念1.2二元分类模型的定义1.3多分类模型的定义1.4举例说明1.5 YOLOv3中recall的计算2. 关于精确率和召回率的关系 1. 准确率（accuracy）、精确率（precision）、召回率（recall） 1.1基本概念准确率（accuracy）、精确率（precision）、召回率（recall）三个指标的定义是有一定条

理解分类任务评价指标：Accuracy、Precision与Recall

此外，AUC（Area Under the Curve）是另一个常用的评价指标，特别是在二分类问题中，它衡量了模型区分正负样本的能力。高AUC值意味着模型在不同阈值下的表现都较好。理解并选择合适的评估指标是优化模型性能的关键...

机器学习模型常用评估指标：Precision（精准率、查准率）和Recall（召回率、查全率）的理解和应用

捡起一束光的博客

10-18

3095

Precision和Recall是矛盾统一的两个指标：为了提高Precision，分类器需要尽量在“很有把握”的时候才把样本当做正样本，但这样往往由于过于保守，会漏掉很多“没有把握的正样本”，导致你的召回率（Recall）降低。

Precision和Recall

weixin_42035080的博客

09-22

3085

2021-09-22 Precision和Recall 首先，Precision和Recall都是评估正类的，分子都是TP。 Precision: 精确率，也称“查准率”，是基于我们的预测结果的，在我们的预测结果中，与标签相比，正确预测的记为TP，错误预测的记为FP。 Precison = TP / (TP + FP) Recall:召回率，也称“查准率”，是基于原样本中所有正类的，在我们的预测结果中，与标签相比，正确预测的记为TP，没预测出的记为FN（也称漏检，即把原样本中的正类预测为负类）。R.

precision与Recall

lzz555517的博客

08-31

8746

precision与Recall 在机器学习中，precision与recall是常用的指标，在说这两个概念之前，首先来说下精度(Precision)与准度(Accuracy)。 Precision指精度，意味着随机误差(Random Error)小，即方差(Variance)小，描述了实际值的扰动情况。 Accuracy指准度，意味着系统误差(System Error)小，即偏差(Bias)小，描述了实际值与真实结果的偏离程度。准确度高，意味着误差(Error)小，Error = Bias + Var

Precision/Recall的基本概念

一颗偏执的心

05-09

5453

【Precision/Recall的基本概念】查准率和查全率是信息检索效率评价的两个定量指标，不仅可以用来评价每次检索的准确性和全面性，也是在信息检索系统评价中衡量系统检索性能的重要方面。（1）查准率（Precision ratio，简称为P），是指检出的相关文献数占检出文献总数的百分比。查准率反映检索准确性，其补数就是误检率。查准率＝（检索出的相关信息量/检索出的信息总量）*100%（2）查全率...

通用算法（ML,DL）分类判定指标：召回率 Recall、精确度Precision、准确率Accuracy等

dragon的专栏

03-06

6119

1.当用算法实现某一问题后，如何证明算法有效性？如何证明你的算法比别的算法更优。特别是针对二分类问题，下面介绍一下分类标准。2 标准表示分类正确：True Positive：本来是正样例，分类成正样例。True Negative：本来是负样例，分类成负样例。表示分类错误：False Positive ：本来是负样例，分类成正样例，通常叫误报。False Negative：本来是正样例，分类成负样例，

Precision,Recall,TPR,FPR,ROC,AUC,F1辨析

weixin_34023982的博客

10-04

622

常见统计学习的性能指标分类结果对于一个二分类问题，分类结果如下： - - 预测预测 - - - 1 0 合计实际 1 True Positive(TP) False Negative(FN) 实际为正实际 0 False Positive(FP) True Negative(TN) 实际为负合计 - 预...