机器学习模型评估指标-混淆矩阵-精度-召回率-F1分数

最新推荐文章于 2025-03-15 10:56:24 发布
置顶 最新推荐文章于 2025-03-15 10:56:24 发布
阅读量2.2k 收藏 3
点赞数
分类专栏： 大数据 文章标签： 机器学习 评估指标 F1得分 精度 召回率
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/liujing319/article/details/91958774
版权
本文介绍了机器学习模型的评估指标，包括混淆矩阵、精度、召回率和F1分数。混淆矩阵用于描述模型预测结果的四个基本类别：真阳性、真阴性、假阳性、假阴性。精度关注正确预测为阳性的比例，而召回率关注真正阳性的样本被正确预测的比例。F1分数结合精度和召回率，是两者的调和平均数。根据不同业务需求，可以选择不同的F-β得分来平衡精度和召回率。

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

最近在复盘udacity 的机器学习的课程，现在来整理一下关于机器学习模型的评估指标的相关知识。

不同数据集采用不同的模型进行训练，会得到完全不同的效果，那么如何衡量一个模型是否适合该数据集呢？在数据集训练后可以对一些指标进行运算，观察实际的效果，进行调整参数或者更换模型等等。

学习模型的评估指标常用的有几种：F-β得分（F1得分，F2得分等等，根据不同的业务实际需求来指定适合的β值），ROC 曲线，回归指标包含：平均绝对误差，均方误差，R2分数等等

1 混淆矩阵

上图为检测特定疾病的例子，如果一个人检测出生病，那么成为阳性，如果检测结果是未生病则为阴性，阳性分为真阳性和假阳性，阴性分为真阴性和假阴性.

如果一个病人检测出生病，则为真阳性 (True Positive ，TP)

如果一个病人检测为健康，则为假阴性（False Negative，FN）；

如果一个健康人检测出生病，称为假阳性 (False Positive，FP)；

如果一个健康人检测为健康，称为真阴性（True Negative，TN）

由上面四种状态构成的矩阵称之为混淆矩阵。

再看一个检测垃圾邮件的例子：

最低0.47元/天 解锁文章
机器学习中的模型评估：精确率-召回率曲线与F1分数
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
03-20 1659
在机器学习项目中，评估模型的性能是确保模型有效性和可靠性的关键步骤。精确率-召回率曲线（Precision-Recall Curve, PR Curve）和F1分数是评估分类模型性能的重要指标，尤其是在处理不平衡数据集时。这些指标可以帮助我们更好地理解模型在不同阈值下的性能，选择最适合任务的模型。本文将从精确率-召回率曲线和F1分数的基本概念出发，通过一个完整的代码示例带你入门，并探讨其应用场景和注意事项。精确率-召回率曲线（PR Curve）是一种性能度量，用于评估二元分类模型的性能。
机器学习-混淆矩阵
2301_77698138的博客
08-19 3965
随着机器学习和人工智能的迅速发展，分类模型成为了解决各种问题的重要工具。然而，仅仅知道模型预测对了多少样本是不够的。我们需要一种更详细、更系统的方法来理解模型的分类能力，以及它在不同类别上的表现。混淆矩阵是机器学习中一种评估分类模型性能的工具，特别是在监督学习中。它主要用于描述分类模型的预测结果与实际样本类别之间的关系。混淆矩阵通过矩阵的形式，展示了每个类别中预测正确的样本数和预测错误的样本数。
【机器学习评价指标 准确率 召回率 F1-score F2-score】
qq_41554955的博客
10-05 2317
机器学习评价指标
CV13_混淆矩阵、F1分数和ROC曲线
https://github.com/foxpup11?tab=repositories
07-24 873
ROC曲线是一种图表，它以假正例率（False Positive Rate, FPR）为横轴，真正例率（True Positive Rate, TPR）为纵轴，展示了所有可能的分类决策阈值下模型的性能。FPR定义为所有实际为负类的实例中被错误地预测为正类的比例，而TPR定义为所有实际为正类的实例中被正确预测为正类的比例。
机器学习中的混淆矩阵，准确率，精确率，召回率，F1分数，roc曲线以及发生比
最新发布
hhh123Dora的博客
03-15 1775
混淆矩阵（Confusion Matrix）是评估分类模型性能的工具，主要用于展示预测结果与实际标签的对比情况。它特别适用于二分类和多分类问题。ROC曲线（Receiver Operating Characteristic Curve）是用于评估二分类模型性能的工具，特别适用于研究模型在不同阈值下的表现。它通过绘制真正例率（TPR）和假正例率（FPR）的关系图，直观展示模型的分类能力。发生比是指某个事件发生的概率与不发生的概率之比。不同的模型使用不同的发生比计算公式。
混淆矩阵与精确度、召回率、F1 Score
日进一步
01-26 7110
1、计算公式 从混淆矩阵计算精确度、召回率、F1 Score的过程如下图所示，其中P和R即Precision和Recall： 2、验证实验 如下图为Azure ML自带的一个示例给出的模型评分结果：原始计算结果给出了混淆矩阵与Accuracy、精确度、召回率和F1 Score，图中插入的文字给出了这些评估值的计算过程，计算过程一目了然：
对混淆矩阵、F1-Score
刘明的博客
02-23 1万+
（一）混淆矩阵 混淆矩阵是除了ROC曲线和AUC之外的另一个判断分类好坏程度的方法。下面给出二分类的混淆矩阵 Predicted as Positive Predicted as Negative Labeled as Positive True Positive(TP) False Negative(FN) Labeledas Negativ...
混淆矩阵、准确率、召回率、漏报率、误报率、F1分数
qq_29983883的博客
06-10 3359
比如在样本集中，正样本有90个，负样本有10个，样本是严重的不均衡。因为在二分类问题中单一样本的预测结果只有Yes or No，即：真或者假两种结果，所以全体样本的经二分类模型处理后，处理结果不外乎四种情况，每种情况都有一个专门称谓，如果用一个2行2列表格描述，得到的就是“混淆矩阵”，反映分类器或者模型正确预测负样本纯度的能力，减少将正样本预测为负样本，即正样本被预测为负样本占总的正样本的比例。反映分类器或者模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例。
机器学习基础概念：查准率、查全率、ROC、混淆矩阵、F1-Score 机器学习实战：分类器
12-21
通过混淆矩阵，我们可以全面了解分类器的性能，包括精确度（Accuracy）、召回率（Recall，同查全率）和F1分数。 F1-Score是查准率和查全率的调和平均数，用于综合考虑两者，尤其是当正负样本不平衡时，F1-Score能更...
模型评估方法——混淆矩阵 fscore
vvickey11的博客
12-05 1642
http://www.afenxi.com/post/17815 这个网址的混淆矩阵讲的很透彻，值得学习！
混淆矩阵和F1得分的关系：相关但不相同
weixin_44943389的博客
11-15 278
是一个表格，用于描述分类模型的预测结果与真实结果之间的关系。它包括四个方面：真正例 (True Positive, TP)、真负例 (True Negative, TN)、假正例 (False Positive, FP) 和假负例 (False Negative, FN)。在评估模型性能时，综合考虑精确度和召回率是很重要的，尤其是在不同的应用场景中。F1得分是一个介于0和1之间的值，越接近1表示模型在精确度和召回率之间取得了更好的平衡。混淆矩阵和F1得分是用于评估分类模型性能的两个相关但不同的概念。
【超详细】机器学习sklearn之分类模型评估 混淆矩阵、ROC曲线、召回率与精度、F1分数
weixin_50989751的博客
04-01 7775
机器学习之分类模型评估 混淆矩阵、ROC曲线、召回率与精度、F1f分数 sklearn学习
F1是合适的指标吗?那么F2 F3…F_beta呢?
deephub
04-04 5655
使用F1分数进行二元分类的度量是很常见的。这就是所谓的调和均值。然而，更通用的F_beta评分标准可能更好地评估模型性能。那么F2 F3和F_beta呢?在这篇文章中，我们将回顾F指标。 介绍 根据许多数据科学家的说法，最可靠的模型性能度量是准确率。但是确定的模型指标不只有一个，还有很多其他指标。 例如，准确率可能很高，但是假阴性也很高。 另一个关键度量是当今机器学习中常见的F指标，用于评估模型性能。 它按比例结合了精度和召回率。 在这篇文章中，我们探讨了建议两者不平衡的不同方法。 混淆矩阵，精度和召回
ML分类模型的评估量 —— 混淆矩阵、查准率、查全率、正确率、F1值
MammothKan的博客
02-28 2608
ML分类模型的评估量 —— 混淆矩阵、查准率、查全率、正确率、F1值
分类的性能评估：准确率、精确率、Recall召回率、F1、F2
昕友软件博客
10-22 1967
import numpy as np import pandas as pd from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.linear_model.logistic import LogisticRegression from sklearn.model_selection ...
机器学习评估指标——混淆矩阵、准确率、精确率、召回率、F1分数、ROC曲线和AUC
weixin_51375278的博客
12-30 4809
机器学习里面ROC和AUC的全面理解
F1和Fβ分数
飞机的博客
02-08 8060
Fβ=(1+β²)PR/(β²P+R)Fβ的物理意义就是将准确率和召回率这两个分值合并为一个分值，在合并的过程中，召回率的权重是准确率的β倍。F1分数认为召回率和准确率同等重要，F2分数认为召回率的重要程度是准确率的2倍，而F0.5分数认为召回率的重要程度是准确率的一半。P和R对应英文分别是Precision和Recall...
混淆矩阵及其相关评价指标
B站搜索 馆主君晓 欢迎关注~
03-15 4307
本文首发于馆主君晓的博客，链接地址为：混淆矩阵及其相关评价指标 在机器学习或者深度学习领域，我们常常会用到混淆矩阵，以及与之相关的一些评价指标，今天就稍微总结一下什么是混淆矩阵以及里面的一些评价指标及其相关含义。 混淆矩阵   混淆矩阵又叫做误差矩阵，是表示精度评价的一种标准格式，常常用n行n列的矩阵来表示，而通常在二分类的任务中，我们常常用下面的矩阵来表示混淆矩阵。   上图是一个二分类混淆矩阵的标准形式，在二分类中0我们称之为负类，也就是negative，而1我们称之为正类，也就是positive
【机器学习笔记15】多分类混淆矩阵、F1-score指标详解与代码实现（含数据）
热门推荐
issey的博客
11-01 2万+
混淆矩阵简介;二分类混淆矩阵;多分类混淆矩阵;准确率、精确率、召回率、特异度；F1-score；示例与代码实现；使用sklearn对比计算结果是否正确
使用sklearn.svm.SVC类创建多分类模型，识别数据集“Labeled Faces in the Wild”中的人脸，使用准确率、召回率和F1分数评价模型的预测结果，并从数据集中找出最具有代表
11-21
使用scikit-learn库中的SVC类创建一个多分类模型来识别"Labeled Faces in the Wild"（LFW）人脸数据集，首先需要对数据进行预处理，包括特征提取（如PCA降维）、划分训练集和测试集，然后构建支持向量机（SVM）模型，选择适当的核函数（如线性、多项式或径向基函数RBF）。 以下是基本步骤： 1. **导入所需的库**： ```python import numpy as np from sklearn.datasets import fetch_lfw_people from sklearn.model_selection import train_test_split from sklearn.preprocessing import LabelEncoder from sklearn.svm import SVC from sklearn.metrics import accuracy_score, recall_score, f1_score ``` 2. **加载和预处理数据**： ```python lfw = fetch_lfw_people(min_faces_per_person=70) X, y = lfw.data, lfw.target le = LabelEncoder() y_encoded = le.fit_transform(y) X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2, random_state=42) ``` 3. **创建SVC模型并训练**： ```python svc_model = SVC(kernel='rbf', C=1.0) # 根据需求调整kernel和C参数 svc_model.fit(X_train, y_train) ``` 4. **进行预测并评估**： ```python y_pred = svc_model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) recall = recall_score(y_test, y_pred, average='weighted') f1 = f1_score(y_test, y_pred, average='weighted') print(f"Accuracy: {accuracy:.2%}") print(f"Recall: {recall:.2%}") print(f"F1 Score: {f1:.2%}") ``` 5. **找出最具代表性的样本**： - LFW通常会提供一些示例图像，你可以查看`lfw.images`属性以及对应的标签`lfw.target_names`来找到某些特定人物的关键图片。 为了找出最具代表性的样本，可以考虑计算模型预测最不确定（预测概率接近）的样本，或者直接查看错误分类的例子，从中分析哪些特征可能导致了混淆。
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