图表理解 准确率&精确率&召回率

最新推荐文章于 2024-06-14 11:00:24 发布
最新推荐文章于 2024-06-14 11:00:24 发布
阅读量2.2k 收藏 1
点赞数 1
分类专栏： 机器学习 文章标签： 机器学习 准确率 精确率 召回率 概念
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/enter89/article/details/90322473
版权

很多书中都用TP、FP、FN、TN来表示数据的真实情况和预测情况的比例，用一个表来形象地看下数据的真实分布。

 
 TrueLabel(真实情况)
阳阴

PredictedLabel

(预测情况)

阳

真正例（TP）

True

Positive

真实阳，预测阳

假正例（FP）

False

Positive

真实阴，预测阳

阴

假负例（FN）

False

Negative

真实阳，预测阴

真负例（TN）

True

Negative

真实阴，预测阴

准确率

也称为正确率，即预测正确的样本占比，包括数据为阳预测为阳和数据为阴预测为阴的数据。即预测了这么多，有多少预测正确。

即   准确率 =（TP+TN）/ 总数据

精确率

预测为正类的数据中，预测对的占比。即预测为正数据也为正 / 所有预测为正的数据。即第一单元格数据 / 第一行数据

即 精确率 = TP / (TP+FP)

召回率

所有真实为正类的数据中，预测对的占比。 即预测为正数据也为正 / 所有真实的正类数据。即第一单元格数据 / 第一列数据

即 召回率 = TP / (TP+FN)

 

Waldenz
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
绘制准确率图
qq_37000327的博客
06-26 1198
from matplotlib import pyplot as plt import numpy as np from pylab import * mpl.rcParams['font.sans-serif'] = ['SimHei'] def plot_acc_loss_curve(acc): plt.figure(figsize=(8, 8)) x = range(0, 101, 10) print(x) plt.xticks(x) plt.xlim(.
python——柱状图（几种算法准确率比较）
weixin_46974686的博客
01-27 2328
记一下可能会用到的python画图代码。 1.柱状图（几种算法准确率比较） import matplotlib.pyplot as plt import seaborn as sns models = ['RandomForest','LogisticRegression','NaiveBayes','KernelSVM','KNN'] plt.rcParams['figure.figsize']=10,6 plt.style.use('fivethirtyeight') ax = sns.bar
精确率、召回率和F1三者之间的关系-举例说明
最新发布
yxx122345的博客
06-14 376
精确率（Precision）和召回率（Recall）是评估分类模型性能的两个重要指标，尤其是在不平衡数据集的情况下。
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1
zhang2010hao的博客
11-27 1939
准确率、精确率、召回率、F1是衡量机器学习结果的重要指标。下面我们用经典的表格来说明他们之间的关系和区别。      Positive（预测到的正例）    Negative（预测到的反例）   True（预测结果为真）                      TP（1）                       TN（2）   False（预测结果为假） ...
Tensorflow2.0之绘图：分类问题的准确率、精确率、召回率、ROC曲线以及曲线下面积
cocofisher的博客
03-10 1万+
文章目录准确率、精确率、召回率、ROC曲线的定义用Tensorflow2.0绘制相关曲线建模时设置METRICS定义损失曲线、AUC曲线、精确率曲线以及召回率曲线函数定义ROC曲线函数预测训练集和测试集ROC曲线定义混淆矩阵函数绘制混淆矩阵 准确率、精确率、召回率、ROC曲线的定义 阳性与阴性 准确率 精确率与召回率 ROC 和曲线下面积 用Tensorflow2.0绘制相关曲线 建模时设置MET...
使用Sklearn进行精确率-召回率曲线的绘制
没有胡子的猫Asimov
07-20 2471
使用Sklearn进行精确率-召回率曲线的绘制 精确率：模型判定的正例中真正正例所占的比重 召回率：总正例中被模型判定为正例的比重 #coding=utf-8 """ #演示目的：利用鸢尾花数据集画出P-R曲线 """ print(__doc__) #演示目的：利用鸢尾花数据集画出P-R曲线 import matplotlib.pyplot as plt import numpy as np from sklearn import svm, datasets from sklearn.metrics
传奇联盟赢率计算器
02-13
模型的评估通常会用到准确率、精确率、召回率、F1分数等指标。 6. **模型训练与优化**：在选定模型后，将使用训练数据进行模型训练，并通过交叉验证来评估模型性能。然后，通过调整超参数（如学习率、正则化强度等...
基于随机森林的广告点击率预估算法.zip
12-13
4. **模型评估**: 使用交叉验证评估模型的性能，如AUC-ROC曲线、精确率、召回率、F1分数等。 5. **模型优化**: 根据评估结果调整模型参数，可能包括特征工程、模型超参数调优等。 **五、源码解读** 项目中的源码...
COVID19-x射线分类器：使用X-RAY或CT-SCAN对正或负COVID19进行分类的分类器，其准确性为99％，召回率（宏平均值）和91％（宏平均值）
01-31
4. 模型评估：使用交叉验证和指标如准确性、召回率、精确度和F1分数来评估模型的性能。 5. 部署与应用：将训练好的模型集成到临床决策支持系统，帮助医生快速筛查疑似病例。 四、COVID-19 Jupyter Notebook 在项目...
基于几何对象聚类的学术文献图表定位研究.docx
06-26
尽管这种方法在某些情况下有效，但面对多样化的学术期刊和会议，单一的版式规则很难实现全局的图表提取，导致召回率不高。 学术界的关注点已经转向图表语义理解和定位技术的改进。图表检索、相似度计算、计量分析...
精确调用曲线：用于计算和可视化的Matlab代码：用于分类的精确调用曲线，AUPR，准确性等
02-04
首先，精确调用曲线是通过改变分类器的阈值，绘制出不同阈值下精确率（Precision）和召回率（Recall）的图表。精确率是真正例占所有预测为正例的比例，而召回率是真正例占所有实际正例的比例。当我们在处理类别不...
分类评估方法：精确率与召回率。ROC曲线与AUC指标、ROC曲线图绘制。
あずにゃん梓喵的博客
08-10 2071
日萌社 人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新） 3.4 分类评估方法 1.分类评估方法 1.1 精确率与召回率 1.1.1 混淆矩阵 在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)...
matplotlib.pyplot绘制决策树的准确率，召回率，ROC，特征重要性
1943博客
09-26 6649
因为训练模型需要返回模型评价指标，但是召回率和ROC 不能很好的展示返回，所以决定把相关评价指标绘制成图片 DecisionTree2Pmml.py import sys import os curPath = os.path.abspath(os.path.dirname(__file__)) rootPath = os.path.split(curPath)[0] sys.path.a...
代码编写过程 - 正确率折线图
SDDF_T的博客
10-11 876
对应需求寻找资料编写代码
基于实例数据详解准确率和召回率
华为云官方博客
01-13 2307
摘要：信息检索、分类、识别、翻译等领域两个最基本指标是准确率（precision rate）和召回率（recall rate），准确率也叫查准率，召回率也叫查全率。
精确率与召回率
qq_31139389的博客
08-04 7064
分类问题的评估指标 1.分类评估方法 1.1 精确率与召回率 1.1.1 混淆举证 在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类) TP：True Positives， 表示实际为正例且被分类器判定为正例的样本数 FP：False Positives， 表示实际为负例且被分类器判定为正例的样本数 FN：False Negatives， 表示实际为正例但被分类器判定为负例的样本数 TN：True
准确率，精准率，召回率，真正率，假正率，ROC/AUC
热门推荐
chase
08-24 3万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
如何理解准确率、召回率和精确率？
莫邪莫急的博客
03-18 6103
一、概念 精确率（precision）：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。 召回率（recall）：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。 准确率（accuracy）：针对我们预测结果而言的，它表示的是预测结果中正确的预测占总样本数的比例。 精确率：precision = TP / (TP + FP) 召回率：recall =...
准确率-召回率 - Precision-Recall
BerryBC的三世书
10-19 6051
Precision-Recall 准确率-召回率 本文翻译自 Precision-Recall
参照教材示例，按类别为2~20，按照10折交叉验证，计算准确度，精确度、召回率和F1值，并绘图
04-03
由于缺乏具体数据，我将使用sklearn中的鸢尾花数据集来进行示例。 首先，导入所需的库和数据集： ```python import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_iris from sklearn.model_selection import cross_val_score, KFold from sklearn.linear_model import LogisticRegression iris = load_iris() X = iris.data y = iris.target ``` 然后，定义10折交叉验证和逻辑回归模型： ```python kf = KFold(n_splits=10, shuffle=True, random_state=42) lr = LogisticRegression(max_iter=10000) ``` 接下来，按类别进行交叉验证，并计算准确度、精确度、召回率和F1值： ```python acc_scores = [] prec_scores = [] rec_scores = [] f1_scores = [] for i in range(2, 21): y_binary = np.where(y == i, 1, 0) acc = cross_val_score(lr, X, y_binary, cv=kf, scoring='accuracy') prec = cross_val_score(lr, X, y_binary, cv=kf, scoring='precision') rec = cross_val_score(lr, X, y_binary, cv=kf, scoring='recall') f1 = cross_val_score(lr, X, y_binary, cv=kf, scoring='f1') acc_scores.append(np.mean(acc)) prec_scores.append(np.mean(prec)) rec_scores.append(np.mean(rec)) f1_scores.append(np.mean(f1)) ``` 最后，绘制相关图表： ```python x = range(2, 21) plt.plot(x, acc_scores, label='Accuracy') plt.plot(x, prec_scores, label='Precision') plt.plot(x, rec_scores, label='Recall') plt.plot(x, f1_scores, label='F1') plt.legend() plt.xlabel('Class') plt.ylabel('Score') plt.title('Evaluation Metrics by Class') plt.show() ``` 输出的图表如下所示： ![metrics_by_class](https://i.imgur.com/5Kj9X0b.png)
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