（2-分类问题）Accuracy,Precision,Sensitivity,Specificity

已于 2022-12-05 03:51:55 修改
阅读量717 收藏 3
点赞数
分类专栏： 机器学习 文章标签： 分类 人工智能
于 2022-12-04 23:58:11 首次发布
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/baidu_41651554/article/details/128179547
版权
本文介绍了评估模型性能的几个关键指标：Accuracy、Precision、Sensitivity 和 Specificity 的定义及应用场景。通过对这些指标的理解，读者可以更好地衡量机器学习模型的预测效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

我们把数据真实情况分为 True 和 False，用T 和 F 表示，

而通过我们的预测得出的正向预测结果为Positive,负向结果为Native。

Accuracy指整体无论正负预测都包含的准确率。

Precision指正向预测正向预测正向预测的准确率。

Sensitivity指在所有真实结果为正的数据中，我们预测出来正值的比例。

Specificity指在所有真实结果为负的数据中，我们预测出来负值得比例。


 

 参考文献：

precision，recall，sensitivity， specificity ，mAP等几种评价指标_lokvke的博客-CSDN博客_sensitivity指标

ROC曲线和AUC值 - 知乎

关于混淆矩阵、ROC、AUC的问题_浅笑古今的博客-CSDN博客_已知混淆矩阵 估计auc

R语言构建logistic回归模型并评估模型：计算混淆矩阵、并基于混淆矩阵计算Accuray、Precision、Recall(sensitivity)、F1、Specificity指标
data+scenario+science+insight
11-22 2160
R语言构建logistic回归模型并评估模型：计算混淆矩阵、并基于混淆矩阵计算Accuray、Precision、Recall(sensitivity)、F1、Specificity指标
Recall(召回率)， Specificity(特异度），Precision(精确度）, Sensitivity(灵敏度)
data+scenario+science+insight
10-14 4893
Recall(召回率)， Specificity(特异度），Precision(精确度）, Sensitivity(灵敏度) 目录 Recall(召回率)， Specificity(特异度），Precision(精确度）, Sensitivity(灵敏度) #Recall（召回率） Precision（准确率） sensitivity（灵敏性） specificity（特异du） #从ROC来看 #回到混淆矩阵 Recall, Specificity, Precision, F1 Score
分类指标准确率(Precision)和正确率(Accuracy)的区别
weixin_34392843的博客
10-11 6825
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...
precision，recall，sensitivity， specificity ，mAP等几种评价指标
weixin_43508499的博客
08-07 1万+
目录1.图像分类准确率Accuracy2.Accuracy的缺点3.什么是precision、recall以及F1指标、ROC曲线4.mAP的计算 1.图像分类准确率Accuracy 假设有测试样本100张图像，其中有90张预测对了类别，则准确率为： Accuracy = 90/100*100% = 90% 2.Accuracy的缺点 假设测试样本100张，其中正例90张，负例10张，我们预测（瞎...
机器学习模型性能度量：Accuracy,Precision,Sensitivity,Specificity
JackLins' Blog
03-18 7576
我们把数据真实情况分为 True 和 False，用T 和 F 表示， 而通过我们的预测得出的正向预测结果为Positive,负向结果为Native。 Accuracy指整体无论正负预测都包含的准确率。 Precision指正向预测正向预测正向预测的准确率。 Sensitivity指在所有真实结果为正的数据中，我们预测出来正值的比例。 Specificity指在所有真实结果为负的数据中，...
查准率（Precision），灵敏性（Sensitivity），特异性（Specificity），F1，PR曲线，ROC，AUC
Sagacity_1125的博客
06-16 8207
先来了解一下TP、FP、FN、TN的概念，可以帮助后面理解 真实情况 预测结果 P N P TP FN N FP TN 先说个结论：Recall = Sensitivity = TPR 查全率（Recall） 分类器认为是正类并且确实是正类的部分占所有确实是正类的比
机器学习中的准确率，敏感性，特异性，阳性预测值，阴性预测值，假阳率，假阴率 -九五小庞
qq_37241964的博客
01-15 5774
准确率是指分类模型正确预测的样本数占总样本数的比例，其计算公式为：(TP + TN) / (TP + TN + FP + FN)，其中TP表示真正例，TN表示真反例，FP表示假正例，FN表示假反例。敏感性也称为召回率或真正率，是指分类模型正确预测为正例的样本数占所有正例样本数的比例，其计算公式为：TP / (TP + FN)。阴性预测值是指分类模型预测为反例的样本中真正为反例的比例，其计算公式为：TN / (TN + FN)。阴性预测值越高，说明模型预测为反例的样本越可靠。
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 4378
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、Specificity、Sensitivity、Accuracy & F1-score：给定一个混淆矩阵作为输入，这个函数计算感兴趣的主要统计数据，包括macro AVG和microAVG。-matlab开发
05-31
给定一个混淆矩阵作为输入，该函数计算感兴趣的主要统计数据（包括宏 AVG 和 microAVG）： 'name' 'classes' 'macroAVG' 'microAVG' 精度// / xo 特异性 // / / xo 灵敏度 / / / xo 准确度 / / / xo F1-score // / /...
tensorflow计算模型的accuracy，precision，sensitivity，specificity
weixin_43790560的博客
07-19 7383
我们在写论文的时候，会经常看到几个模型判断指标，那这几个指标是如何计算的呢，下面将进行讲解： 幸好TensorFlow有tf.metrics这个内置函数，让我们计算起来方便很多。 计算accuracy：tf.metrics.accuracy。 有个博文不错，里面例子不错： https://blog.csdn.net/lyb3b3b/article/details/83047148 计算pr...
分割图像的评估：Precision，Sepeificity，Sensitivity和Accurary指标的快速实现-matlab开发
05-31
"分割图像的评估：Precision，Specificity，Sensitivity和Accuracy指标的快速实现-matlab开发"这个项目提供了一种基于MATLAB的高效方法来计算四个关键的评估指标：精确度（Precision）、特异性（Specificity）、灵敏...
Recall（召回率） Precision（准确率） F-Measure E值 sensitivity（灵敏性） specificity（特异性）漏诊率 误诊率 ROC AUC
PenyPeng的博客
08-09 2383
Recall（召回率） Precision（准确率） F-Measure E值 sensitivity（灵敏性） specificity（特异性）漏诊率 误诊率 ROC AUC信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)=系统检索到的相关文件 / 系统所有相关的文件总数，衡量的是检索系统的查全率。准确率(Precision Rate)=系统检索到的相关文件 / 系
Accuracy and precision
weixin_30674525的博客
07-25 851
From Wikipedia！！ ：Accuracy is the proximity of measurement results to the true value; precision, the repeatability, or reproducibility of the measurement In the fields ofsc...
机器学习-基础知识 - Precision, Recall, Sensitivity, Specificity, Accuracy, FNR, FPR, TPR, TNR, F1 Score
热门推荐
zywvvd的博客
05-05 2万+
本文介绍机器学习中的二分类性能评估指标Precision, Recall, Sensitivity, Specificity, Accuracy, FNR, FPR, TNR, TPR, F1 Score, Balanced F Score基本含义，给出公式和具体算例，并作简要分析。 基础定义 评估指标 预测结果 正样...
Accuracy, Precision, Resolution & Sensitivity
dizhuang5374的博客
07-17 761
Instrument manufacturers usually supply specifications for their equipment that define its accuracy, precision,resolution and sensitivity. Unfortunately, not all of these specifications are unif...
accuracy(准确率), precision（精密度）, recall（召回率）, specificity（特异性）, and F1-score（F1分数）：分别是什么意思？
qq_44896301的博客
11-29 3535
准确度、精确率、召回率、F1值作为评估指标，经常用到分类效果的评测上。
14天机器学习DAY1-4｜精确率与召回率，Roc曲线与PR曲线
m0_57656758的博客
10-20 586
在机器学习的算法评估中，尤其是分类算法评估中，我们经常听到精确率(precision)和召回率(recall),Roc曲线与PR曲线这些概念。
机器学习笔记（三）
qq_30238467的博客
10-23 226
当评估机器学习模型时，我们通常关注其性能和泛化能力，即模型在未见过的数据上的表现。是最简单直观的评估指标，表示模型预测正确的样本比例。然而，在不平衡的数据集中，准确度可能不是一个很好的指标，因为模型可能过于偏向于预测数量较多的类别。提供了详细的分类结果，包括真正例、真负例、假正例和假负例的数量，是分析模型错误的有用工具。主要用于二分类问题。精确度衡量了模型在预测为正类别时的准确性，而召回率衡量了模型对正类别样本的识别能力。这两者常常在不同场景中取舍，需要根据具体问题权衡。
混淆矩阵算TN FN TP FP 之间关系
最新发布
01-25
### 混淆矩阵中TN、FN、TP、FP的关系解释 混淆矩阵用于评估分类模型性能，通过比较预测结果与实际标签来衡量模型准确性。具体来说： #### 定义说明 - **TP (True Positive)**：表示将正类正确识别为正类的数量。即模型成功检测到所有真实存在的正样本数目[^1]。 - **TN (True Negative)**：指代负类被准确判断成负类的情况总数。这意味着对于那些实际上不属于目标类别的实例，算法能够正确地将其排除在外。 - **FP (False Positive)**：也称为I型错误或误报率，指的是原本属于负类却被错误地标记为了正类的数据点数。简单地说，这是不应该被认为是特定类型的对象却偏偏被认为如此的情形[^5]。 - **FN (False Negative)**：对应II型错误或是漏检概率，意味着某些确实应该归属于某类的事物却没有得到应有的认定。换句话说，这些本应是阳性案例的结果反而被判定了阴性状态。 #### 数量关系表达式 基于上述定义，在二元分类场景下，可以得出如下几个重要的数量关系公式： - 正确预测的比例可以通过 `Accuracy = (TP + TN) / (TP + TN + FP + FN)` 来计算[^4]。 - 查准率(Precision)，反映了在所有预测为正的例子中有多少是真的正例，其公式为 `Precision = TP / (TP + FP)`[^3]。 - 召回率(Recall/Sensitivity/True positive rate)，度量了所有真实的正例中有多少比例被找出来了，可以用 `Recall = TP / (TP + FN)` 表达。 此外，特异性(Specificity/Selectivity/True negative rate)用来描述非事件发生的条件下，测试能正确指出该条件不存在的能力，它等于 `Specificity = TN / (TN + FP)`。 最后值得注意的一点是在多分类环境中，当涉及到多个类别时，每个单独的类别都可以构建自己的二元混淆矩阵，并据此分析各类别间的相互影响以及整体表现状况[^2]。 ```python def calculate_metrics(TP, TN, FP, FN): accuracy = (TP + TN) / (TP + TN + FP + FN) precision = TP / (TP + FP) if (TP + FP) != 0 else 0 recall = TP / (TP + FN) if (TP + FN) != 0 else 0 specificity = TN / (TN + FP) if (TN + FP) != 0 else 0 return { "accuracy": round(accuracy, 4), "precision": round(precision, 4), "recall": round(recall, 4), "specificity": round(specificity, 4) } ```
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