召回率和准确率理解

于 2024-09-03 11:58:25 发布
阅读量598 收藏 8
点赞数 4
文章标签： 机器学习 人工智能
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_48938554/article/details/141857854
版权

召回率（Recall）和准确率（Precision）是评估分类模型或配准算法性能的重要指标，它们的具体意义和区别如下：

1. 召回率（Recall）

  • 定义：召回率衡量的是实际为正类的样本中被正确识别为正类的比例。

  • 公式：

    R e c a l l = T r u e P o s i t i v e s ( T P ) T r u e P o s i t i v e s ( T P ) + F a l s e N e g a t i v e s ( F N ) Recall = True Positives (TP) True Positives (TP) + False Negatives (FN) R e c a l l = T r u e P o s i t i v e s ( T P ) + F a l s e N e g a t i v e s ( F N ) T r u e P o s i t i v e s ( T P ) Recall=True Positives (TP)True Positives (TP)+False Negatives (FN)\text{Recall} = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Negatives (FN)}}Recall=True Positives (TP)+False Negatives (FN)True Positives (TP) Recall=TruePositives(TP)TruePositives(TP)+FalseNegatives(FN)Recall=True Positives (TP)+False Negatives (FN)True Positives (TP)​Recall=TruePositives(TP)+FalseNegatives(FN)TruePositives(TP)

    • True Positives (TP)：被正确识别为正类的样本数。
    • False Negatives (FN)：实际为正类但被误识别为负类的样本数。

  • 意义：召回率反映的是模型找到所有正类样本的能力。高召回率意味着模型尽可能多地识别出了正类样本，即使这可能会导致更多的误报（False Positives）。

2. 准确率（Precision）

  • 定义：准确率衡量的是被预测为正类的样本中实际为正类的比例。

  • 公式：

    P r e c i s i o n = T r u e P o s i t i v e s ( T P ) T r u e P o s i t i v e s ( T P ) + F a l s e P o s i t i v e s ( F P ) Precision = True Positives (TP) True Positives (TP) + False Positives (FP) P r e c i s i o n = T r u e P o s i t i v e s ( T P ) + F a l s e P o s i t i v e s ( F P ) T r u e P o s i t i v e s ( T P ) Precision=True Positives (TP)True Positives (TP)+False Positives (FP)\text{Precision} = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Positives (FP)}}Precision=True Positives (TP)+False Positives (FP)True Positives (TP) Precision=TruePositives(TP)TruePositives(TP)+FalsePositives(FP)Precision=True Positives (TP)+False Positives (FP)True Positives (TP)​Precision=TruePositives(TP)+FalsePositives(FP)TruePositives(TP)

    • True Positives (TP)：被正确识别为正类的样本数。
    • False Positives (FP)：实际为负类但被误识别为正类的样本数。

  • 意义：准确率反映的是模型预测为正类时的可靠性。高准确率意味着大部分被识别为正类的样本确实是正类，从而减少误报。

3. 区别与关系

  • 权衡：召回率和准确率往往呈现反向关系。在某些情况下，增加召回率可能会降低准确率，反之亦然。例如：
    • 高召回率：为了捕捉所有的正类，模型可能会容忍更多的误报，这会降低准确率。
    • 高准确率：为了确保每一个预测为正类的样本都是正确的，模型可能会忽略一些真正的正类样本，从而降低召回率。
  • 使用场景：
    • 召回率优先：在关注找到所有正类样本的场景中，如疾病筛查或安全检测中，更高的召回率至关重要，即使这意味着更多的误报。
    • 准确率优先：在误报代价较高的场景中，如电子邮件过滤中的垃圾邮件分类，更高的准确率可能更为重要。

实际通俗解释

1. 电子邮件垃圾过滤器

场景：你有一个垃圾邮件过滤器，它要识别哪些邮件是垃圾邮件，哪些是正常邮件。

  • 召回率：如果过滤器有很高的召回率，它几乎把所有的垃圾邮件都识别出来了，但可能有时候会误把一些正常的邮件也当作垃圾邮件。
    • 实际意义：这意味着你几乎不会被垃圾邮件打扰，但有时正常邮件可能会被漏掉到垃圾箱。
  • 准确率：如果过滤器有很高的准确率，它只把那些真正的垃圾邮件识别出来，而不会误删正常邮件。
    • 实际意义：这意味着你几乎不会错过任何重要邮件，但可能有一些垃圾邮件会漏掉到你的收件箱。

2. 医学检测

场景：一个医生在使用一种测试来检测某种疾病。

  • 召回率：高召回率的测试会确保几乎所有患有这种疾病的人都能被检测出来，即使有些健康的人可能会被误诊为患病。
    • 实际意义：如果你使用这种测试，几乎所有的患者都能被及时发现并治疗，但有些健康的人可能会被吓到，需要进一步的检查来确认。
  • 准确率：高准确率的测试则意味着一旦检测出有问题，几乎可以肯定这个人真的患有这种疾病，但也可能会漏掉一些真正的病人。
    • 实际意义：这种测试很可靠，但可能会错过一些早期或症状不明显的病例，导致患者得不到及时的治疗。

1. 召回率（Recall）

假设你是一个警察，在寻找嫌疑犯。

  • 召回率就像是你抓到了多少个真正的罪犯（嫌疑犯）占所有真正罪犯的比例。如果有10个真正的罪犯，你抓到了8个，那么你的召回率就是80%。
  • 通俗理解：你尽量不放过任何一个真正的罪犯。即使你抓错了一些无辜的人，但你抓到了大多数的真正罪犯。

2. 准确率（Precision）

现在假设你还是那个警察，但你希望只抓真正的罪犯。

  • 准确率是指你抓到的那些人中，有多少是真正的罪犯。如果你抓了10个人，其中8个是真正的罪犯，那么你的准确率就是80%。
  • 通俗理解：你想确保每一个你抓到的人都是罪犯。虽然你可能会错过一些真正的罪犯，但你保证不抓无辜的人。

3. 区别

  • 召回率高时：你可能抓到更多真正的罪犯，但也可能误抓一些无辜的人。
  • 准确率高时：你几乎只抓罪犯，但可能会让一些真正的罪犯逃脱。

4. 日常生活中的应用

  • 召回率优先：如果你要去商店买东西，但你不知道自己可能忘了什么。你可能会把所有可能需要的东西都买回来，以确保不落下任何东西——即使你买了一些其实不需要的东西。
  • 准确率优先：如果你非常有预算意识，只想买你肯定需要的东西，那么你只会买那些确定会用到的，避免任何多余的开支——即使你可能会遗漏一些需要的东西。

总结来说，召回率关注的是“抓到更多”，而准确率关注的是“抓得准”。 召回率尽量把所有符合要求的都拿下 准确率关注抓得准，可以会遗漏一些符合要求的

小泽爱刷题
关注
准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 3万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
准确率和召回率(precision&recall)
Duplan的专栏
08-23 2万+
算法评价指标：准确率和召回率。
准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure)、AUC、ROC的理解
qfikh的博客
03-03 3万+
一、准确率、精确率、召回率和 F 值 (1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP) (2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是正类，但是被预测成为负类，即为假负类(False Negat...
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC
架构和代码
07-06 5万+
在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式:             召回率(Recall)      =  系统检索到的相关文件 /
召回率与准确率
zhoubl668的专栏：远帆，梦之帆！
10-26 3311
召回率和准确率是数据挖掘中预测、互联网中的搜索引擎等经常涉及的两个概念和指标。 召回率：Recall，又称“查全率”——还是查全率好记，也更能体现其实质意义。 准确率：Precision，又称“精度”、“正确率”。 以检索为例，可以把搜索情况用下图表示： 相关 不相关 检索到 A B 未检索到
准确率召回率
VergiL Wang的专栏
05-18 1123
http://blog.sina.com.cn/s/blog_4b59de070100ehl7.html 最近一直在做相关推荐方面的研究与应用工作，召回率与准确率这两个概念偶尔会遇到， 知道意思，但是有时候要很清晰地向同学介绍则有点转不过弯来。 召回率和准确率是数据挖掘中预测、互联网中的搜索引擎等经常涉及的两个概念和指标。 召回率：Recall，又称“查全率”——还是查全率好记，也更能体现其...
准确率和召回率(precision&recall)
weixin_33676492的博客
10-25 1400
在机器学习、推荐系统、信息检索、自然语言处理、多媒体视觉等领域，常常会用到准确率(precision)、召回率(recall)、F-measure、F1-score 来评价算法的准确性。 一、准确率和召回率(P&R) 以文本检索为例，先看下图 当中，黑框表示检索域，我们从中检索与目标文本相关性大的项。图中黄色部分(A+B)表示检索域中与目标文本先关性高的项，图...
准确率和召回率
sanjing24的博客
12-02 997
1. 准确率 = 提取出的正确信息条数 /  提取出的信息条数       2. 召回率 = 提取出的正确信息条数 /  样本中的信息条数     通俗来说,准确率可以叫做查准率，召回率可以叫做查全率。更通俗一点，准确率可以表示为：“你的预测里有多少是对的”，召回率可以表示为：“正例中你的预测占的比例”。 举个例子，桌上共有10本书，有4本书是你想找的，然后你根据某个算法，找到了
Pytorch 计算误判率,计算准确率,计算召回率的例子
09-18
在机器学习和深度学习中，评估模型性能的关键指标包括误判率、准确率和召回率。PyTorch 是一个流行的深度学习框架，它提供了一种灵活的方式来计算这些指标。以下是对这些概念的详细解释。 **准确率(Accuracy)**： ...
如何解释召回率与准确率-知乎1
08-04
F值是综合考虑了准确率和召回率的指标，它是准确率和召回率的调和平均数，通常使用F1分数，即F值为1时最佳。计算公式为： \[ F1 = 2 \times \frac{\text{准确率} \times \text{召回率}}{\text{准确率} + \text{召回...
分类模型评估：混淆矩阵、准确率、召回率、ROC
Laurence的技术博客
02-13 3287
在二分类问题中，混淆矩阵被用来度量模型的准确率。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”。其中，假阳性（FP）又被称为“Type 1 Error”，假阴性（FN）又被称为“Type 2 Error”。在所有“预测为真”（TP+FP）的数据中，有多少是“真得预测对了”（TP）的? 这个百分比叫“准确率”（Precision）在所有“实际
模型评估指标：准确率召回率与F1值
最新发布
AI天才研究院
05-01 714
1. 背景介绍 在机器学习领域，构建模型只是第一步，评估模型的性能则是至关重要的一环。模型评估指标能够帮助我们量化模型的优劣，并指导模型的改进方向。在众多的评估指标中，准确率、召回率和F1值是最为常见的三个指标，它们分别从不同的角度衡量模型的性能。 1.1 分类问题的评估指标 准确率
准确率与召回率
weixin_42464525的博客
07-30 2347
1、准确率与召回率（Precision & Recall） 准确率和召回率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。其中精度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所有的相关文档数的比率，衡量的是检索系统的查全率。 一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是...
精确率与召回率
qq_31139389的博客
08-04 8005
分类问题的评估指标 1.分类评估方法 1.1 精确率与召回率 1.1.1 混淆举证 在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类) TP：True Positives， 表示实际为正例且被分类器判定为正例的样本数 FP：False Positives， 表示实际为负例且被分类器判定为正例的样本数 FN：False Negatives， 表示实际为正例但被分类器判定为负例的样本数 TN：True
准确率与召回率（Precision & Recall）、F-score
maria5201314的博客
12-06 1万+
1、两个最常见的衡量指标是“准确率（precision）”（你给出的结果有多少是正确的）和“召回率（recall）”（正确的结果有多少被你给出了） 这两个通常是此消彼长的（trade off），很难兼得。很多时候用参数来控制，通过修改参数则能得出一个准确率和召回率的曲线（ROC），这条曲线与x和y轴围成的面积就是AUC（ROC Area）。AUC可以综合衡量一个预测模型的好坏，这一个指标综合了
召回率、准确率与精确率
Young_Fan
12-20 490
https://blog.csdn.net/sarah98/article/details/78282068 https://blog.csdn.net/xwd18280820053/article/details/70674256
机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
热门推荐
小太阳~
04-26 28万+
以下第一部分内容转载自：机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)是怎么一回事摘要：数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)简介。 引言：在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。业内目前常常采用的评价指标有准确率(Precision)、召
mAP、准确率和召回率
07-28
mAP是平均准确率（mean Average Precision）的缩写，是一种常用的性能评估指标。在理解mAP之前，我们需要先了解准确率（Precision）和召回率（Recall）的概念。 准确率（Precision）指的是在所有检索到的文件中，相关文件所占的比率。换句话说，准确率衡量的是检索到的结果中有多少是相关的。 召回率（Recall）指的是在所有相关文件中，检索到的文件所占的比率。换句话说，召回率衡量的是在所有相关文件中有多少被检索到了。 在实际应用中，准确率和召回率往往是相互制约的，即准确率高时召回率低，召回率高时准确率低。这是因为在提高准确率的过程中，可能会漏掉一些相关文件，从而导致召回率降低；而在提高召回率的过程中，可能会引入一些不相关的文件，从而导致准确率降低。 根据应用场景的不同，我们可以选择侧重准确率还是召回率。如果是单纯做搜索，我们可以在保证召回率的情况下提升准确率；如果是做疾病监测或反垃圾等任务，我们可以在保证准确率的条件下提升召回率。当我们需要同时提高准确率和召回率时，可以使用F1值来衡量，F1值是准确率和召回率的调和平均。 mAP是对召回率取平均得到的平均准确率，常用于预测对象以及类的算法中。具体计算公式为：mAP = 1/Q_R * ∑(q∈Q_R)AP(q)，其中Q_R表示检索到的相关文件的数量，AP(q)表示每个相关文件的准确率。mAP的值越高，表示算法在不同类别上的平均性能越好。 总结起来，mAP是一种综合考虑准确率和召回率的性能评估指标，用于衡量算法在多个类别上的平均表现。 #### 引用[.reference_title] - *1* *2* [准确率、召回率及mAP](https://blog.csdn.net/qq_30999155/article/details/84935444)[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* [目标框检测中准确率、召回率、AP、mAP计算原理及代码](https://blog.csdn.net/long630576366/article/details/127079634)[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

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