precision 为什么和recall成反比

最新推荐文章于 2024-04-14 17:24:27 发布
最新推荐文章于 2024-04-14 17:24:27 发布
阅读量1.7k 收藏 4
点赞数 7
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/m0_46556534/article/details/121502644
版权

precision=TP/(TP+FP)  准确率 又叫 查准率， 即为 你查的正样本中，准确率有多少

recall  =  TP/(TP+FN) 又叫查全率，即为 所有的正样本中，你查出来的概率

那么 如果我们把模型的预测认为是 从一个班级中所有的学生里挑选好学生来类比的话

那么recall就是从所有的好学生中，挑选出好学生的概率，而precision则是，我挑选出来的好学生的确是好学生的概率。

那么如果我的挑选标准比较宽松的时候，也就是本身水平不太行的学生也被我认为是好学生，那么我挑选出来的好学生就会很多，不仅本身是好学生的学生被我挑选出来了，不是好学生的学生也被我挑选出来了，那么recall就会很高。可是因为条件宽松，所以我跳出来的学生，有一部分并不是好学生，因此precision：挑选出来的好学生的确是好学生的概率就会低。

但是如果我提高挑选的标准，也就是我对好学生的要求极其严格，那么可以肯定我挑选出来的学生，一定是好学生。那么我的precision就会很高，因为要求定的高，所以可以保证挑选质量。但是在这个情况下，我并没有挑选出所有的好学生，所以可以看出我的recall就会相应的下降。

由此我们可以看出，precision和recall总体上会成一个反比的情况

董十二
关注
  • 7
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
UltraGCN: Ultra Simplification of Graph ConvolutionalNetworks for Recommendation（个人笔记）
qq_29717841的博客
04-08 4140
该文章发表在CIKM'2021，在何向南老师的LightGCN上做出了进一步的改进。 论文链接：https://arxiv.org/abs/2110.15114 代码链接：https://github.com/xue-pai/ultragcn 文章首先指出了LightGCN的三个不足，如下： 1）消息传递期间在边缘上分配的权重违反直觉，这可能不适用于CF。 2）传播过程递归地将不同类型的关系对（包括用户项对、项项项对和用户用户对）组合到模型中，但未能捕捉到它们不同的重要性。这也可能会引入嘈杂且
为什么Precision高Recall就低——F1 score
未名方略
04-16 1万+
F-score
目标检测Precision/Recall curve中AP曲线为什么呈现下降趋势
最新发布
今非昔比zhi的博客
04-14 867
在学习时发现在Precision/Recall Curve中,，AP是不断下降的。
Precision和Recall
Wisimer
02-27 627
1. 二分类模型的指标 精准率，即在所有被预测为阳性的测试数据中，真正是阳性的比率： Precision=TP / (TP+FP) 召回率，即在所有实际为阳性的测试数据中，真正是阳性的比率： Recall=TP / (TP+FN) 为了综合这两个指标并得出量化结果，又发明了F1Score： F1Score = 2*(Precision * Recall) / (Precision + Recal...
准确率（Precision）、召回率（Recall）以及综合评价指标（F1-Measure ）
weixin_33859665的博客
09-18 524
在信息检索和自然语言处理中经常会使用这些参数，下面简单介绍如下： 准确率与召回率（Precision & Recall） 我们先看下面这张图来加深对概念的理解，然后再具体分析。其中，用P代表Precision，R代表Recall 一般来说，Precision 就是检索出来的条目中（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出来了。 ...
通过Precision/Recall判断分类结果偏差极大时算法的性能
weixin_30399055的博客
12-06 141
当我们对某些问题进行分类时，真实结果的分布会有明显偏差。 例如对是否患癌症进行分类，testing set 中可能只有0.5%的人患了癌症。 此时如果直接数误分类数的话，那么一个每次都预测人没有癌症的算法也是性能优异的。 此时，我们需要引入一对新的判别标准：Precision/Recall来进行算法的性能评判，它们的定义如下： 可以看出，Precision表示：预测一件事件发生，它实际...
图神经网络用于推荐系统问题（NGCF，LightGCN，UltraGCN）
热门推荐
nakaizura
06-26 2万+
何向南老师组的又两大必读论文，分别发在SIGIR19’和SIGIR20’。 Neural Graph Collaborative Filtering 协同过滤（collaborative filtering）的基本假设是相似的用户会对物品展现出相似的偏好，自从全面进入深度学习领域之后，一般主要是先在隐空间中学习关于user和item的embedding，然后重建两者的交互即interaction modeling，如MF做内积，NCF模拟高阶交互等。但是他们并没有把user和item的交互信息本身编码进 .
prec_rec.zip_Curves_Recall_precision recall_precision-recall_rec
09-23
在IT行业中，尤其是在数据分析、机器学习以及人工智能领域，精确率（Precision）和召回率（Recall）是评估分类模型性能的两个重要指标。本话题主要围绕"Precision Recall curves"展开，我们将深入理解这两个概念，...
Roc-curve.zip_Recall_precision_precision recall_roc_roc curve ja
09-14
3. **计算TPR、FPR、Precision和Recall**：对每个阈值，计算对应的TP、FP、TN和FN（真负例），然后用这些值计算TPR、FPR、Precision和Recall。 4. **绘制曲线**：使用计算出的TPR和FPR绘制ROC曲线，用Precision和...
PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc
07-15
在IT行业中，尤其是在数据分析和机器学习领域，"PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc"这个标题和描述涉及到的是评估分类模型性能的关键概念。这些概念是理解和优化模型不可或缺的...
计算目标检测IoU、Precision、Recall
05-15
计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、...
NGCF-PyTorch:神经图协同过滤的PyTorch实现
05-07
神经图协同过滤 这是我对本文的PyTorch实现： 王翔，何湘南，王萌，冯福利和蔡达生（2019）。 神经图协同过滤， 或。 在SIGIR'19，法国巴黎，2019年7月21日至25日。 TensorFlow实现可以在找到。 介绍 我的实现主要是指原始的TensorFlow实现。 它具有与原始项目一样的评估指标。 这是Gowalla数据集的示例： Best Iter=[38]@[32904.5] recall=[0.15571 0.21793 0.26385 0.30103 0.33170], precision=[0.04763 0.03370 0.02744 0.02359 0.02088], hit=[0.53996 0.64559 0.70464 0.74546 0.77406], ndcg=[0.22752 0.26555 0.29044 0.30926 0.32406]
resnet二分类/recall_precision评价
10-30
resnet二分类/recall_precision评价. 数据读取，处理，batch生成等功能
NGCF及其改进模型LightGCN：Neural Graph Collaborative Filtering & LightGCN
BLOG of iJX
04-29 929
emm…图片复制过来显示不了（因为我太懒了0.0），要看图的话可以去我的博客瞅瞅，嘿嘿嘿 对了，有些英文短句假如翻译成中文，阅读的时候就太搞脑子了，所以我干脆就不翻译了 我的博客地址：https://hikg.net/archives/125/ NGCF Motivation 先前的方法仅仅使用描述性特征（比如ID、属性）来构造embedding function，而没有考虑过user-item interactions（或者仅仅是在定义目标函数时使用） Model High-order conne.
图卷积网络在推荐系统中的应用NGCF（Neural Graph Collaborative Filtering）配套pytorch的代码解释
zhao254014的博客
04-06 7118
NGCF论文详解加代码详细注释，图卷积网络在推荐系统中的应用，
图像分类里的precision和recall
mysee1989的专栏
02-08 5255
precision和recall是模式识别中的重要指标。借用wikipedia的一张图：precision = TP / (TP + FP)recall = TP / (TP + FN)以表情识别为例，表情识别总共有7个类别：0：Neural 1：Anger 2：Disgust 3：Fear 4：Happy 5：Sad 6：Surprise 加入我们得到的结果中，disgust（鄙视）这一类别的p...
论文阅读和模型解读 UltraGCN: Ultra Simplification of Graph Convolutional Networks for Recommendation
qq_43431934的博客
03-11 7346
论文阅读：UltraGCN: Ultra Simplification of Graph Convolutional Networks for Recommendation 核心代码注释解读 个人认为这篇论文的主要贡献点就是用几个constraint loss近似替代了GCN。主要包括一个模型主损失，user-item图带来的损失，item-item的约束损失。 UltraGCN模型代码注释解读： class UltraGCN(nn.Module): def __init__(...
UltraGCN Ultra Simplification of Graph Convolutional
DreamOfDragon的博客
03-08 970
UltraGCN: Ultra Simplification of Graph Convolutional Networks for Recommendation
【GCN-RS】经典工作：NGCF、LightGCN、LR-GCCF（代码实现）
chadlee
11-18 2128
NGCF：Neural Graph Collaborative Filtering (SIGIR’19) 前文GCN中的邻接矩阵AAA可以表征数据之间的关联，在这里换了一个说法，叫做“CF signal”。 假设用户为uuu，物品为iii，我们可以画出user-item的二部图，同时根据二部图可以将u1u_1u1​的高维连接表示出来，如下图所示: 模型框架主要有三个部分组成： Embedding Layer：提供初始的user embedding 和 item embedding Multiple Em
precision和recall
07-11
recall和precision是评估分类模型性能的两个指标。recall指的是模型正确识别出正例的比例，precision指的是模型识别出的正例中真正的正例的比例。两者的关系是负相关的，即当recall提高时，precision往往会降低；反之，当precision提高时，recall往往会降低。因此，在实际应用中，需要根据具体情况权衡两者的重要性，选择合适的模型。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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