机器学习评价指标

最新推荐文章于 2024-03-25 20:09:22 发布
最新推荐文章于 2024-03-25 20:09:22 发布
阅读量585 收藏
点赞数
分类专栏： Deep Learning Machine Learning 文章标签： 机器学习 深度学习
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/bashan1604/article/details/119178103
版权
本文深入浅出地解释了精确率、召回率和F1值在人工智能和机器学习中的作用。精确率关注预测正例中的正确比例，而召回率则衡量真正正例被正确预测的比例。在人脸识别或嫌疑人抓捕场景中，查全率（召回率）和查准率（精确率）各有侧重。F1值作为综合指标，在保持召回率不变时提高精确率，或在保持精确率不变时提升召回率，会使得F1值增大。了解这些指标对于优化模型性能至关重要。
摘要由CSDN通过智能技术生成

精确率，召回率，F1值的通俗解释

查准率：预测的正例中，正确的（真正的）正例的比例
查全率：正真的正例中，被正确预测的比例
人脸识别抓嫌疑人

查全率高：宁可错杀一万，不可放过一个

查准率高：宁可错杀，也不能不杀

Recall不变时，Precision越大，1/Precision越小，从而F1越大。

Precision不变时，Recall越大，1/Recall越小，从而F1越大。

bashan16045
关注
专栏目录
[机器学习] 第二章 模型评估与选择 1.ROC、AUC、Precision、Recall、F1_score
心宝的博客
04-09 2036
1.非均衡分类问题 类别分类代价不等 例如：垃圾邮件过滤中，我们希望重要的邮件永远不要被误判为垃圾邮件。 还有在癌症检测中，宁愿误判也不漏判。 此时分类错误率的度量不充分 所以，在分类中，当某个类别的重要性高于其他类别时，可以使用Precison和Recall多个比分类错误率更好的新指标。 条件阳性（P） 数据中真实阳性病例的数量 条件否（N） 数据中实际否定案例的数量 Precision（查准率）： 预测为正例的样本中真正正例的比例。 eg: 99正 1负 预测 1正√ 99负 TP/(TP
kaggle蛋白质比赛分析
远方
03-26 1957
一、数据准备 蛋白质数据比赛采用了kaggle官网提供的数据集，以及额外的人类蛋白质图谱网站的数据集：https://www.proteinatlas.org/ 二、数据增强 数据增强目的： 增加训练的数据量，提高模型的泛化能力。即使拥有大量数据，也需要采用数据增强的方法来提高模型泛化能力。 增加噪声数据，提升模型的鲁棒性。 三、损失函数 采用gamma为2的FocalLoss 四、训练参数 ...
sklearn评分函数roc_auc_score和f1_score中参数average的说明
hxhabcd123的博客
02-26 2714
本文记录在python第三方库sklearn的两个评分函数 sklearn.metrics.roc_auc_score（计算AUC） 和 sklearn.metrics.f1_score（计算F1）中的参数“average”的几种方式。
模型调优-提升分数
xiaomifanhxx的博客
09-26 918
超参数调优 神经网络最常用的设置有：1)初始学习率；2)学习率衰减方式(例如一个衰减常量)；3)正则化强度(L2惩罚，随机失活强度) 除了这三种常用设置：还有很多相对不那么敏感的超参数，在AdaGrad中，对于动力及其时间表的设置等，也需要去设置。 实现：训练过程是很长的，我们在训练过程中，要对每个epoch后的验证集进行监控，然后在文档中记录验证集的损失以及acc，来判断问题，进而，我们可...
如何处理数据不平衡问题？
科技匠心的博客
03-04 1865
0 引言 我们在处理实际业务时，经常会遇到训练数据中不同类别样本比例差距过大的情况。例如银行贷款业务欺诈问题，我们要清楚银行贷款业务主要识别的就是具有一定风险的贷款客户，而实际样本中，大多数都是及时偿还的正样本，只有少数是未偿还的负样本，如果我们不做任何预处理，模型很可能因为正样本数量多，而把很多风险客户识别成正常客户，造成损失。所以首先要明确具体业务的根本要求。下面是我总结的解决办法，有什么问题...
机器学习之结果评价指标
最新发布
03-25 595
在机器学习中，结果评价指标是用来评估模型性能和预测结果的重要指标，可以帮助我们了解模型的准确性、稳定性和泛化能力。
机器学习评价指标（1）——灵敏度（sensitivity）/查准率/召回率（Recall）/和特异度（Specificity）
Robin_Pi的博客
06-26 2万+
理想状态：标准或者阈值在分界点 实际状况：漏诊和误诊二者择一 若选用绿线作为判断标准，则没有误判一个正常人，但是漏掉了部分患者； 若选择红线作为判断标准，则没有一个病人被漏诊，但部分正常人得到了错误的结果； 所以，要根据具体的情况，选择适合的判断标准： 对于一些预后差，漏诊后果严重，早期诊断可以有效果很好的疾病时，我们就把灵敏度定高一点。不要放过一个病人。梅毒就是这样的疾病，所以，RPR检测的灵敏度高特异度低。 对于一些治疗效果不好，确诊和治疗费用高，或者预后不太严重，或误诊时对病人心理生理和经济上.
【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 2797
【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
为机器学习模型设置最佳阈值：0.5是二元分类的最佳阈值吗
deephub
12-06 7325
对于二元分类，分类器输出一个实值分数，然后通过对该值进行阈值的区分产生二元的相应。例如，逻辑回归输出一个概率(一个介于0.0和1.0之间的值);得分等于或高于0.5的观察结果产生正输出(许多其他模型默认使用0.5阈值)。但是使用默认的0.5阈值是不理想的。在本文中，我将展示如何从二元分类器中选择最佳阈值。本文将使用Ploomber并行执行我们的实验，并使用sklearn-evaluation生成图。这里以训练逻辑回归为例。假设我们正在开发一个内容审核系统，模型标记包含有害内容的帖子(图片、视频等);然后，人
【深度学习笔记】F1-Score
李响
12-19 3万+
F1-Score又称为平衡F分数（balanced F Score），他被定义为精准率和召回率的调和平均数。 F1-Score指标综合了Precision与Recall的产出的结果。F1-Score的取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。 更一般的，我们定义Fβ分数为 除了F1分数之外，F2分数和F0.5分数在统计学中也得到大量的应用。其中，F2分数中，召回率的权...
【评价指标】详解F1-score与多分类MacroF1&MicroF1
忽逢桃林的博客
07-22 8025
基本概念 首先，要背住的几个概念就是：accuracy,precision,recal, TP,FP,TN,FN TP:true positive。预测是正确的正样本 FP:false positive。预测是错误的正样本 TN：true negative。预测是正确的负样本 FP:false positive。预测是错误的负样本 通常我们会做出这样的一个混淆矩阵： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rc8E9gBl-1595353574343)(http:/
【转】一些因素对F1值的影响
imsuhxz的博客
08-13 2666
截自：https://blog.csdn.net/qq_27590277/article/details/88374695 https://blog.csdn.net/qq_27590277/article/details/88367082 一些因素对F1值的影响 如果还没了解F1值的话，这里有我之前写的通俗易懂的文章 详谈P(查准率)，R(查全率)，F1值 通过控制变量法，对以下...
目标检测-识别提升方法记录
weixin_NineDays66
05-15 728
7.场景下得同类目标容易引起误检，比如做人形检测，跟人相关得目标，沙发、宠物、交通工具等跟人交互较多得目标很容易被误检，针对这种样本要针对性增加作为负样本来减少误检。3.搜索特定类别的误检样本作为纯负样本，同时也可基于常出现的误检增加一个检测类别来减少该类别的误检，带来的副作用是定位误差，重复检测误差变大，map可能会降低。（如部署时也增加小目标过滤，则无此影响）2. 添加纯负样本（检测base模型，检测分数大于0.05的误检），加入训练，有效减少误检 ， 副作用是只添加纯负样本map可能会少许降低。
总是记不住的精度，回召率和F1 Score
qq_42935201的博客
08-24 644
总是记不住的三个衡量分类效果的概念，今天理解了，并且记录一下我此刻的理解，以便日后复习。
机器学习中精准度、召回率、准确率、F1 Score、G分数计算学习笔记
崔洪振367
11-19 4289
目录 1、基本符号表示 2、类别下的精准度计算（precision） 3、类别下的召回率计算（recall） 4、准确率的计算（accuracy） 5、F1 Score 6、G分数 1、基本符号表示 TP （true positive）：预测结果正确，将本类事物预测为本类标签； FP（false positive）：预测错误，比如，将非本类事物预测为本类标签。 FN（false negative）：预测错误，比如，将本类事物预测为其他...
f1 score 代码_机器学习中的F1-score
weixin_39796868的博客
12-19 2935
一、什么是F1-scoreF1分数(F1-score)是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为：G分数是另一种统一精确...
机器学习 F1-Score, recall, precision
热门推荐
Matrix-11
12-31 8万+
在机器学习，模式识别中，我们做分类的时候，会用到一些指标来评判算法的优劣，最常用的就是识别率，简单来说，就是 acc=Npre/Ntotalacc=N_{pre}/N_{total} 这里的 NpreN_{pre}表示预测对的样本数，NtotalN_{total}表示测试集总的样本数。 识别率有的时候过于简单， 不能全面反应算法的性能，除了识别率，还有一些常用的指标，就是我们要介绍的
机器学习评价指标mape
09-24
MAPE（Mean Absolute Percentage Error）是一种机器学习评价指标，用于衡量预测结果的准确性。它计算的是预测值与实际值的百分比差异的平均值。MAPE的计算公式如下： MAPE = (1/n) * Σ(|预测值-实际值|/|实际值|) *...
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