性能评估指标（Precision, Recall, Accuracy, F1-measure）

最新推荐文章于 2024-07-16 08:00:32 发布
最新推荐文章于 2024-07-16 08:00:32 发布
阅读量2.1k 收藏 4
点赞数 2
分类专栏： 【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/chichoxian/article/details/103686257
版权
本文介绍了在二分类问题中常用的性能评估指标，包括精准率、召回率、准确率和F1分数。精准率表示被识别为正类别的样本中，真正为正类别的比例；召回率是在所有正类别样本中，被正确识别的比例。F1分数是精准率和召回率的调和平均数，用于综合评估模型性能。
摘要由CSDN通过智能技术生成

文章目录

一个例子

首先我们看下面的一个表格，也是经典的二分类问题，常常会看见的表格：

在这里插入图片描述

如上表所示，行表示预测的label值，列表示真实label值。TP，FP，FN，TN分别表示如下意思：

  • TP（true positive）：表示样本的真实类别为正，最后预测得到的结果也为正；
  • FP（false positive）：表示样本的真实类别为负，最后预测得到的结果却为正；
  • FN（false negative）：表示样本的真实类别为正，最后预测得到的结果却为负；
  • TN（true negative）：表示样本的真实类别为负，最后预测得到的结果也为负.

我平时用到的最多的两个指标就是precision 和 recall, 翻译过来就是精准率和召回率, 以及F1 值 F1 只是 F-measure 中特殊的一种情况

Precision 精准率

precision 表示的是被识别为正类别的样本中，确实为正类别的比例是多少？

P r e c i s i o n = T P T P + F P Precision = \frac{TP}{TP + FP} Precision=TP+FP

最低0.47元/天 解锁文章
君的名字
关注
专栏目录
精确率(Precision)、召回率(Recall)、准确率（Accuracy）、F值(F-Measure)
段智华的博客
01-08 1227
精确率(Precision)、召回率(Recall)、准确率（Accuracy）、F值(F-Measure) 的理解：   例如：对图片猫、狗、兔子进行预测分类，如下图：  图片为猫，预测分类是猫的图片数：5       图片为猫，预测分类是狗的图片数：3 图片为猫，预测分类是兔子的图片数：0 图片为狗，预测分类是猫的图片数：2       图片为狗，预测分类是狗的图片数：3 图片为狗，预测...
机器学习性能指标 （accuracy精度， precision查准率准确率，recall查全率召回率，F1值，ROC曲线，PR， AOC）
wulimmya的博客
09-28 3454
文章目录分类任务预备知识准确率 accuracy精确率 precision，也叫查准率召回率 recall，也叫查全率F1值，精确率和召回率的调和均值ROC，用于评价一个分类器的好坏AUC， area under curve,ROC曲线下的面积示例回归任务MAE，平均绝对误差，L1范数损失MSE，平均平方误差，L1范数损失 参考文章1 参考文章2 分类任务 预备知识 混淆矩阵，是一个两行两列的矩阵，由TP, FP, FN, TN组成，对角线上是TP和TN， 即分类正确的，而不再对角线上的都是分类错误的。
机器学习性能指标精确率、召回率、F1值、ROC、PRC与AUC
一路前行
10-15 1万+
精确率、召回率、F1、AUC和ROC曲线都是评价模型好坏的指标,那么它们之间有什么不同，又有什么联系呢。下面让我们分别来看一下这几个指标分别是什么意思。 针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况. (1)若一个实例是正类并且被预测为正类，即为真正类(True Postive TP) (2)若一个实例是正类，但是被预
Recall/Precision(召回率/准确率)以及F1-measure
AbaloneVH的博客
02-24 1328
近期在看一些文献，用到recall（召回率）和precision（准确率）两个概念以及F1-measure，前两个概念可以参考下面的内容，之前也了解过，但因为F1-measure不理解，也不明白如何衡量，加上近期刚好看到了F-norm（Frobenius范数），将两者混淆了，所以需要仔细理解一下F1-measure。简言之，F1-measure是为了中和一下recall和precision两个标准
【机器学习】Metrics: 衡量算法性能的关键指标
最新发布
鑫宝的博客
07-16 1578
在算法开发和机器学习项目中，选择正确的评估指标（metrics）至关重要。它们不仅帮助我们理解模型的性能，还指导我们如何优化模型以达到预期的目标。本文将探讨几种常用的评估指标，并解释它们在不同场景下的应用。
准确率、精确率、召回率、F1-measure简单总结
彭世瑜的博客
03-02 4229
- 相关(Relevant),正类 无关(NonRelevant),负类 被检索到(Retrieved) true positives(TP 正类判定为正类) false positives(FP 负类判定为正类) 未被检索到(Not Retrieved) false negatives(FN 正类判定为负类) true negatives(TN 负类判定为负类) 准确率...
性能指标（模型评估）Precision、Recall、mAP
qq_42743783的博客
06-08 534
文章目录前言HRSC2016数据集介绍accuracyRecall（亦称查全率、召回率）其他信息参考博客 前言 记录性能指标（模型评估）Precision、Recall、mAP，时间2021.6.8 HRSC2016数据集介绍 HRSC2016数据集官网 https://sites.google.com/site/hrsc2016/ HRSC2016数据集百度云下载链接 https://arxiv.org/abs/1711.10398 由西北工业大学于2016年发布 提取自Google Earth 由西北
Accuracy, Precision, Recall和F1-score解释
m0_55281984的博客
04-04 3370
本文解释常用评价指标Accuracy, Precision, Recall和F1-score 主要参考以下文章 多分类模型Accuracy, Precision, Recall和F1-score的超级无敌深入探讨 1.主要解决数据集中不平衡的问题
(内含源码)多分类问题评估的精确率、召回率，f1度量即precision，recall，f1-measure的python代码实现
Vodake的博客
04-29 6781
multiclassify-eval 代码开源在github上，有需要的同学可以点这里multiclassify-eval来git clone。 A simple python module to calculate precision, recall, accuracy and f-measure for multi-classify evaluation. 一个基于Python的简单的多...
分类问题的评价指标（Precision、Recall、Accuracy、F1-Score、Micro-F1、Macro-F1）以及混淆矩阵、ROC曲线
少年龙龙的博客
05-11 1万+
文章目录一、四个基本概念 TP、FP、TN、FN二、精确率（precision）、召回率（recall）、准确率（accuracy）三、F1-Score（F1分数）四、宏平均 Macro-F1 、微平均 Micro-F1、加权平均 Weighted avg五、混淆矩阵（Confusion Matrix）六、ROC 曲线和 AUC（Area Under the Curve，曲线下面积） 一、四个基本概念 TP、FP、TN、FN 真阳性：预测为正，实际为正。把正样本成功预测为正。 TP——True Posit
Precision(查准率) 、Recall(查全率)、F1-Score(F-Measure)、Accuracy(准确率)
HachiLin的博客
03-17 2804
一、机器学习中算法常用的评测标准 二、Precision(查准率) and Recall(查全率) 以预测病人是否有癌症为例子，假设y=1y=1y=1代表病人有癌症。下面是我从吴恩达老师的机器学习课程中截取的图片： True Positive(真正，TP)： 将正类预测为正类数 True Negative(真负，TN)： 将负类预测为负类数 False Positive(假正，FP)： 将负类...
准确率 召回率 F1-Measure 是个什么东西？
WantFlyDaCheng的博客
06-07 1008
https://blog.csdn.net/HXG2006/article/details/79649154 准确率和召回率是用于信息检索和统计学分类领域的两个度量值，用于评价结果的质量，在机器学习中对于数据进行预测的过程中，同样的使用这些指标来评价预测的结果的质量。 准确率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的所有的相关文...
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
dian19881021的博客
02-23 494
Precision，Recall，F1score，Accuracy四个概念容易混淆，这里做一下解释。 假设一个二分类问题，样本有正负两个类别。那么模型预测的结果和真实标签的组合就有4种：TP，FP，FN，TN，如下图所示。这4个分别表示：实际为正样本你预测为正样本，实际为负样本你预测为正样本，实际为正样本你预测为负样本，实际为负样本你预测为负样本。 那么Precision和Recal...
真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式
qq_43617906的博客
08-15 4367
真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式。混淆矩阵
【机器学习】分类算法评估指标全总结(2023最新整理)关键词：准确率Accuracy、精确率Precision、召回率Recall、Micro F1、P-R、ROC、MCC、Cohen‘s kappa
热门推荐
Next_SummerAgain的博客
03-20 1万+
评估指标是针对模型性能优劣的一个定量指标。一种评价指标只能反映模型一部分性能，如果选择的评价指标不合理，那么可能会得出错误的结论，故而应该针对具体的数据、模型选取不同的的评价指标。 针对不同类型的学习任务，我们有不同的评估指标，这里我们来介绍最常见的分类算法的一些评估指标。常用的分类任务评价指标有准确率（Accuracy）、精确率（Precision）、召回率（Recall）、Macro F1、Micro F1、P-R曲线（Precision-Recall Curve）、ROC、AUC、MCC、Cohen
分类模型的评估指标--精确率（precision）与召回率（recall）
yeler082的博客
05-11 6762
1 、几个常用的术语 这里首先介绍几个 常见 的 模型评价术语，现在假设我们的分类目标只有两类，计为正例（positive）和负例（negtive）分别是： 1）True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）； 2）False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数； 3...
机器学习性能度量指标（precision、recall、PR曲线、F1、ROC、AUC、IOU、mAP）
xhj_enen的博客
03-18 1万+
1、precision、recall、PR curve、F1 在信息检索等任务中，我们经常会关心“检索出的信息中有多少比例是用户感兴趣的”以及“用户感兴趣的信息中有多少被检索出来了”。precision（查准率）与recall（查全率）就是此类需求的性能度量指标。 对于一个二分类问题，我们可以根据模型的分类结果将其分为四类：TP、FP、TN、FN 则查准率与查全率的定义分别为： precisio...
通俗举例讲解评价指标—recall、precision、ndcg，hit，auc
zhao254014的博客
04-17 7527
通俗举例讲解评价指标—recall、precision、ndcg，Popularity、coverage推荐系统中的常用指标，其他的陆续会加入进去,关于评价指标的讲述
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