关于机器学习中Precision和Recall的概念的理解

转载:http://blog.csdn.net/Relocy/article/details/51453950
Andrew Ng 机器学习第六课
关于这个Precision和Recall的概念,我一直不能很好的理解,所以我找了个时间梳理的了一下。

这里写图片描述
- Accuracy = 准确率 预测对的除以总样本数
- Precision = 预测正率
- Recall = 查对率 预测对占实际是对的

理解资料
这里写图片描述

这里写图片描述

这里写图片描述

以上内容都为转载.

帮助理解的例子

拿导弹的例子:雷达收到 100个导弹信号 ,只有3个是真的导弹 ,97个全是假的模拟导弹信号。而我们的预测器(分类器) 预测出来 98个是模拟导弹信号,而1个没有被预测出来,而这一个会带来毁灭性伤害。

这时候我们希望 Precision 大一点 我们不希望 一个被没有预测出来而毁 了整座城市,更多的时候我们宁愿预测错多一点也不想放过一个真导弹 Recall低 Recall可以低一点。
因为Recall低了把很对实际上是假导弹当为真导弹。但是它并没有漏掉(漏检)真导弹。
这里写图片描述
Recall = 100% Precision = 66.7%

另外一个例子:在法庭上有审判100个可疑的谋杀犯人。 95个是真的谋杀犯,而5个并不是谋杀犯。而检察官(分类器)判定其中97个是谋杀犯,显然其中有两个人是被冤枉的。

这个这时候我们很大程度上并不希望有人会被冤枉。我们希望Recall高一点,被冤枉的人少一点。但是我们也希望Precision要高一点,因为我们又不想放过那些杀了人却逃过一劫的人。

这里写图片描述
Recall = 97.9% Precision = 100%

但是很多时候,鱼和熊掌不可兼得,所以我们更希望根据Precision和Recall的主次(权重)把模型优化到最优。

机器学习,查准率(precision)和查全率(recall)是用来评估分类模型性能的重要指标。查准率指的是在所有被模型预测为正例的样本,实际为正例的比例。而查全率指的是在所有实际为正例的样本,被模型正确预测为正例的比例。 通常情况下,查准率和查全率是相互矛盾的,提高查准率会导致查全率下降,反之亦然。这是因为在分类问题,我们可以通过调整阈值来决定将样本划分为正例还是负例。当我们降低阈值时,会增加正例的数量,从而提高查全率,但可能会降低查准率。相反,当我们提高阈值时,会减少正例的数量,从而提高查准率,但可能会降低查全率。 为了综合考虑查准率和查全率,我们通常使用F1分数来评估模型的性能。F1分数是查准率和查全率的调和平均值,可以通过以下公式计算:F1 = (2 * precision * recall) / (precision + recall)。 因此,在机器学习,我们可以使用查准率、查全率和F1分数来评估分类模型的性能。 #### 引用[.reference_title] - *1* *2* [【机器学习】精确率(precision)、召回率(recall)以及F1分数的概念讲解加python代码实现](https://blog.csdn.net/weixin_42163563/article/details/116697828)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [机器学习之——PrecisionRecall](https://blog.csdn.net/educationer/article/details/99580979)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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