准确率(Accuracy) 精确率(Precision) 召回率(Recall)和F1-Measure

最新推荐文章于 2024-09-27 21:24:26 发布
最新推荐文章于 2024-09-27 21:24:26 发布
阅读量8.1k 收藏 16
点赞数 4
分类专栏： 机器学习 文章标签： 机器学习
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/github_36869152/article/details/79791332
版权
本文介绍了机器学习中评估模型性能的四个关键指标：准确率、精确率、召回率和F1-Measure。准确率是正确分类样本数与样本总数的比值；精确率是在预测为正类的数据中，正确预测的比例；召回率是在测试集中正类数据被正确预测的比例；F1-Measure是精确率和召回率的调和平均数，用于平衡两者。在不同的应用场景中，这些指标的重要性可能不同。
摘要由CSDN通过智能技术生成

先验知识

我们首先将数据的类别统一分为两类：正类和负类。例如：一个数据集中的数据一共有3类，小学生、中学生、高中生。我们的目标是预测小学生，那么标记为小学生的数据就是正类，标记为其他类型的数据都是负类。

数据有两种状态：测试集数据和预测结果数据。

对一批测试数据进行预测，结果可以分成四种。

  • TP(True Positive): 原本是正类，预测结果为正类。(正确预测为正类)
  • FP(False Positive): 原本是负类，预测结果为正类。(错误预测为正类)
  • TN(True Negative): 原本是负类，预测结果为负类。(正确预测为负类)
  • FN(False Negative): 原本是正类，预测结果为负类。(错误预测为负类)

准确率(Accuracy)

对于给定的测试数据集，分类器正确分类的样本数与样本总数之比，就称为准确率，即(TP+TN)/(TP+TN+FP+FN)

精确率(Precision)

在预测结果为正类的数据中，有多少数据被正确预测(原本就是正类)，即TP/(TP+FP)。

对应于检索中的查准率，检索出相关文档数/检索出的文档总数

<
最低0.47元/天 解锁文章
-ROOT-
关注
专栏目录
准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 4万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
准确率与召回率（Precision & Recall）、F-score
maria5201314的博客
12-06 1万+
1、两个最常见的衡量指标是“准确率（precision）”（你给出的结果有多少是正确的）和“召回率（recall）”（正确的结果有多少被你给出了） 这两个通常是此消彼长的（trade off），很难兼得。很多时候用参数来控制，通过修改参数则能得出一个准确率和召回率的曲线（ROC），这条曲线与x和y轴围成的面积就是AUC（ROC Area）。AUC可以综合衡量一个预测模型的好坏，这一个指标综合了
机器学习中常用的评价指标：分类(准确率、精确率、召回率、F1-score、AUC)、回归（MSE、RMSE、MAE、 R2）、聚类（轮廓系数、SSE、Calinski-Ha）
u013172930的博客
09-27 1595
机器学习常用评价指标，分类问题：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1-score、ROC 曲线和 AUC 值、Log 损失（Log Loss），回归问题：均方误差（MSE，Mean Squared Error）、均方根误差（RMSE，Root Mean Squared Error）、平均绝对误差（MAE，Mean Absolute Error）、决定系数（$R^2$ 或 $R$平方），聚类问题：轮廓系数（Silhouette Coefficient）、SSE
Precision&amp;amp;amp;Recall
Mr_Brooks的博客
07-25 509
实际上非常简单，精确率是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。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是 而召回率是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。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。 其实就是分母不同，一...
准确率和召回率(precision&recall)
weixin_33676492的博客
10-25 1414
在机器学习、推荐系统、信息检索、自然语言处理、多媒体视觉等领域，常常会用到准确率(precision)、召回率(recall)、F-measure、F1-score 来评价算法的准确性。 一、准确率和召回率(P&amp;R) 以文本检索为例，先看下图 当中，黑框表示检索域，我们从中检索与目标文本相关性大的项。图中黄色部分(A+B)表示检索域中与目标文本先关性高的项，图...
[机器学习-总结] 什么是准确率, 精确率，召回率和(精确率和召回率的调和平均)
Harry的博客
05-22 3894
准确率, 精确率与召回率区别与联系1. 背景介绍2. 准确率（????????????????????????????????）3. 精确率(precision)4. 召回率(recall，也称为查全率) 1. 背景介绍 对于一般分类问题，有训练误差、泛化误差、准确率、错误率等指标 对于常见的二分类问题，样本只有两种分类结果，将其定义为正例与反例。那么在进行分类时，对于一个样本，可能出现的分类情况共有四种 – 样本为正例，被分类为正例，称为真正类(TP) – 样本为正例，被分类为反例，称为假反类(FN)
准确率accuracy、精确率precision、召回率recall、f1_score
happy_wealthy的博客
05-18 930
准确率(accuracy):对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。 由准确率，我们的确可以在一些场合，从某种意义上得到一个分类器是否有效，但它并不总是能有效的评价一个分类器的工作。举个例子,google抓取 了argcv 100个页面，而它索引中共有10,000,000个页面,随机抽一个页面，分类下,这是不是argcv的页面呢?如果以accuracy来判断我的工 作，那我会把所有的页面都判断为"不是argcv的页面",因为我这样效率非常高(return false,一句话),而accu
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
木东的博客
07-27 4523
自然语言处理(ML),机器学习(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。 本文将简单介绍其中几个概念。中文中这几个评价指标翻译各有不同，所以一般情况下推荐使用英文。 现在我先假定一个具体场景作为例子。
yolov8准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure代码
最新发布
10-24
YOLOv8（You Only Look Once Version 8）是一个先进的目标检测算法，它评估指标主要包括准确率、精确率、召回率和F1分数（也称为F1-measure）。这里简要解释一下： 1. **准确率（Accuracy）**: 表示模型预测正确的...
准确率（accuracy）、精确率（precision）、召回率（recall）
热门推荐
Cheese_pop的博客
10-13 5万+
整理了知乎上的前两个回答，https://www.zhihu.com/question/19645541 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就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索
准确率（accuracy）、召回率（recall）的意义和区别
liu123641191的博客
05-18 4万+
1.
准确率-召回率 - Precision-Recall
BerryBC的三世书
10-19 6270
Precision-Recall 准确率-召回率 本文翻译自 Precision-Recall
准确率和召回率
2301_81272932的博客
11-21 691
例如，在癌症诊断中，如果一个模型的准确率非常高，但是它没有识别出所有的癌症患者，那么这个模型的召回率就会很低。相反，如果一个模型的召回率非常高，但是它错误地诊断了许多非癌症患者，那么这个模型的准确率就会很低。，其中TP表示真正的正类，FN表示模型未能识别出的正类。因此，召回率的值也在0到1之间，值越大表示模型能够找出更多的正类。则是用来衡量模型能够找出所有实际存在的正类的比例，即所有真实的正类被模型找出的比例。是用来衡量预测结果中真正为正类的比例，即预测为正类的样本中有多少是真正的正类。
评论 2
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