白话理解: 准确率(Accuracy), 精确率(Precision), 召回率(Recall)

最新推荐文章于 2025-03-24 18:38:10 发布
最新推荐文章于 2025-03-24 18:38:10 发布
阅读量2.3k 收藏 7
点赞数 2
分类专栏： 机器学习 文章标签： Accuracy Precision Recall
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/iteye_18979/article/details/82726582
版权
本文通过西瓜分类的业务场景，解释了准确率(Accuracy)、精确率(Precision)和召回率(Recall)的概念。准确率是分类正确的比率，精确率关注挑出的正例中正确比例，召回率衡量正例被正确识别的比例。在不均匀数据分布时，准确率可能不适用；精确率适用于有限挑选正确样本的场景，而召回率关注找出所有正例。

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

本文重点是在白话,不是数学上面的严格定义. 那首先要有一个业务场景,就好比上学,学习数据库,就要用到学生成绩. 在这,我们的业务场景就是对100个西瓜进行分类(已知生熟各半)

 

下面是针对上面场景,对各个术语的解释

准确率(Accuracy): 对所有西瓜分类正确的比率.

精确率(Precision): 挑出来的熟西瓜,有多少是正确的.

召回率(Recall) : 50个熟西瓜,有多少被分来到熟西瓜这个类别.

 

下面我们来分析各个术语有什么应用场景:

Accuracy: 这个是我们最常用的,但是这个指标有一个缺点,就是当数据分来不均匀的时候,就没办法用于业务了. 比如, 当生西瓜只有2个,熟西瓜有98个的时候. 只要判断所有的都是熟西瓜,准确率就是98%.但是这个模型其实是不合理的.

 

Precision: 这个指标就是为吃瓜群众准备的了, 比如100个西瓜里面,我只需要挑选出2个西瓜,并且都是熟西瓜,那么这个Precision就是100%. 其他的西瓜,就可以都判断为生西瓜.

 

Recall: 这个指标就是为瓜农准备的了, 瓜农

最低0.47元/天 解锁文章
阅读宋立恒《AI制胜：机器学习极简入门》第1章：机器学习概述
howard2005的专栏
10-03 6306
文章目录一、什么是机器学习二、机器学习的流程（一）数据收集（二）数据预处理（三）特征工程（四）模型构建和训练三、机器学习该如何学（一）AI时代首选Python（二）PyCharm可视化编辑器和Anaconda大礼包1、PyCharm可视化编辑器介绍2、Anaconda大礼包（三）掌握算法原理与掌握机器学习软件库同等重要（四）机器学习与深度学习的区别四、机器学分类（一）监督学习（三）无监督学习（三）强化学习五、过拟合和欠拟合（一）过拟合1、为什么发生过拟合2、降低“过拟合”的方法（1）增加训练数据（2）降低模
精确率与召回率，ROC曲线与PR曲线
python收藏家的博客
03-04 1821
机器学习 模型度量 精确率与召回率，ROC曲线与PR曲线介绍说明
精度和召回率
aLWX_hust的博客
01-18 4000
一、为分类任务选择正确的衡量指标 不平衡的分类问题：如恐怖分子检测、当疾病在公众中的发病率很低时的疾病监测等 有这么一个模型：将从美国机场起飞的所有乘客简单地标注为非恐怖分子。已知美国全年平均有 8 亿人次的乘客，并且在 2000-2017 年间共发现了 19 名恐怖分子，这个模型达到了接近完美的准确率——99.9999999%。 在恐怖分子检测的问题中宣布所有的数据点为负例（非恐怖分子）是毫...
召回率和精度
weixin_30756499的博客
09-01 489
召回率（Recall）和精度（Precise）是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中召回率是是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。精度是检索出的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。 从一个大规模数据集合中检索文档时，可把文档分成四组： 1. 系...
精确率（Precision）、准确率（Accuracy）和召回率（Recall）详解
最新发布
Gsen2819的博客
03-24 1364
Accuracy = (90 + 180) / (90 + 180 + 10 + 20) = 270 / 300 = 0.9 或 90%FN (False Negative)：假负例，即实际为正类但被模型错误预测为负类的样本数。FN (False Negative)：假负例，即实际为正类但被模型错误预测为负类的样本数。TP (True Positive)：真正例，即实际为正类且被模型正确预测为正类的样本数。TP (True Positive)：真正例，即实际为正类且被模型正确预测为正类的样本数。
关于机器学习算法中的准确率（Accuracy）、精准率（Precision）、召回率（Recall）的理解
刘小胖的博客
10-11 2848
在机器学习、深度学习等完成建模后，需要对模型的效果进行评价。 目前在业内最常用的评价指标有准确率（Accuracy）、精准率（Precision）、召回率（Recall）及F1-Score等。本文将简单介绍这几个概念，也是记录下来便于自己理解。 混淆矩阵 在介绍这些概念之前，我们需要先了解“混淆矩阵”及其相关指标。 Positive Negative True True Pos...
准确率（Accuracy）、召回率（Recall）、精确率（Precision）
solicucu
05-15 5978
一、TP、TN、FP、FN 的概念 TP： 预测正确的正类 TN：预测正确的负类 FP：预测错误的正类（就是把负类当正类） FN：预测错误的负类（就是把正类当负类） 举个栗子：假如把人脸当作正类，非人脸当作负类 人脸（正类） 非人脸（负类） ...
准确率(accuracy)召回率(recall)精确率(precision)的含义
weeeeeida的博客
12-26 5753
_
Alink漫谈(八) : 二分类评估 AUC、K-S、PRC、Precision、Recall、LiftChart 如何实现
haozige888的博客
06-26 990
目录 Alink漫谈(八) : 二分类评估 AUC、K-S、PRC、Precision、Recall、LiftChart 如何实现 0x00 摘要 0x01 相关概念 0x02 示例代码 2.1 主要思路 0x03 批处理 3.1 EvalBinaryClassBatchOp 3.2 BaseEvalClassBatchOp 3.2.0 调用关系综述 3.2.1 calLabelPredDetailLocal 3.2.1.1 flatMap 3.2.1.2 reduceGroup 3.2.1.3 mapPa
《白话机器学习的数学》第4章——评估
weixin_51130882的博客
07-23 930
1.由于像多重回归这样的问题会导致无法在图上展示，所以需要能够够定量地表示机器学习模型的精度。
KNN鸢尾花分类实战：源码与数据集详解
常见的评估指标包括准确率（Accuracy）、混淆矩阵（Confusion Matrix）、精确率（Precision）、召回率（Recall）和F1分数（F1 Score）等。 5. 结果分析：对评估结果进行分析，通过可视化等方式深入理解模型的分类...
对准确率（Accuracy）、精确率（Precision）、召回率（Recall）、PR曲线、ROC曲线、F1 Score的理解
qq_29168809的博客
11-09 3034
混淆矩阵        对于一个二分类问题，预测类别与实际类别有如下表的对应关系，又称为混淆矩阵。 准确率（Accuracy）        是系统最常见的评价指标，公式 ACCR=(TP+TN)/(TP+TN+FP+FN)，其含义为，所有样本中预测正确样...
精确率（Precision）和召回率（Recall）
Datalhy的博客
06-13 830
模型好坏只需要精确率不需要召回率？
准确率、精度和召回率
zj
10-23 1万+
原文链接 精度（查准率）和召回率（查全率）是衡量机器学习模型性能的重要指标，特别是数据集分布不平衡的案例中。 什么是分布不平衡的数据集？ 倘若某人声称创建一个能够识别登上飞机的恐怖分子的模型，并且准确率（accuracy）高达 99%。你相信吗？好了，有这么一个模型：将美国机场起飞的所有乘客简单地标注为非恐怖分子。已知美国全年平均有 8 亿人次乘客，并且在 2000-2017 年间共发现了 19...
机器学习（二十二）：精度和召回率
weixin_45733884的博客
07-24 1012
倾斜数据集：一个数据集中的正面和负面例子的比例非常不平衡，比如数据集中，结果为1的占比20%，结果为0的占比80%例子：如果数据集的结果中只有0.5%是1，其余结果是0。有一个模型的预测准确度是99.5%，但是预测了所有数据的结果都是0，这个模型的准确度很高，但是预测不出结果为1，这不能代表这个模型是好模型。因此需要引入其他的误差度量方式来评估模型好坏。
[机器学习] 二分类模型评估指标---精确率Precision、召回率Recall、ROC|AUC
摩登都市天空---专栏
12-13 2万+
目录 为什么要评估模型? 怎么检验和评估模型? 评估指标 (Evaluation Matrics)是什么? 错误率,精度,误差的基本概念: 分类器评估指标 混淆矩阵 1. 准确率P、召回率R、F1 值 2. ROC与AUC ROC 计算例子 1. 分析数据 2. 针对score，将数据排序 3. 将截断点依次取为score值 为什么要评估模型? 一句话,想找到最有效的模...
精度评定中的准确率（Precision）和召回率（Recall）
热门推荐
WoodyHD的专栏
05-05 2万+
在模式识别中，我们经常会使用到一些指标对目标识别或者影像分类的结果进行评价。 我们经常使用的有三个指标： （1）准确率（Precision），又称“精度”、“正确率”； （2）召回率（Recall），又称“查全率”； （3）F1-Score，准确率和召回率的综合指标。...
精度和召回率的区别
热爱分享，热爱记录
11-27 327
它本身是正例，把它判断成负例，为0个。它本身是负例，把它判断成负例50个。先弄懂TP、FP、FN、TN。TP:正确的把它判断成正例了。FP：错误的把它判断成正例了。FN：错误的把它判断成负例了。TN：正确的把它判断成负例了。
机器学习入门教学——精度(Precision)、召回/真阳性率(Recall/TPR)、假阳性率(FPR)
计算机硕士的博客
08-17 4157
机器学习入门教学——精度(Precision)、召回/真阳性率(Recall/TPR)、假阳性率(FPR)，精度与召回的区别。
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