机器学习结果统计－准确率、召回率，F1-score

最新推荐文章于 2023-07-02 15:41:50 发布
最新推荐文章于 2023-07-02 15:41:50 发布
阅读量1.9w 收藏 12
点赞数 4
分类专栏： 机器学习 文章标签： 机器学习 数据
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/net_wolf_007/article/details/51769020
版权
用手写数字识别来作为说明。
准确率： 所有识别为”1”的数据中，正确的比率是多少。 
如识别出来100个结果是“1”， 而只有90个结果正确，有10个实现是非“1”的数据。 所以准确率就为90%

召回率： 所有样本为1的数据中，最后真正识别出1的比率。 
如100个样本”1”, 只识别出了93个是“1”， 其它7个是识别成了其它数据。 所以召回率是93%

F1-score:  是准确率与召回率的综合。 可以认为是平均效果。


详细定义如下：
对于数据测试结果有下面4种情况：
TP: 预测为正， 实现为正
FP: 预测为正， 实现为负
FN: 预测为负，实现为正
TN: 预测为负， 实现为负

准确率： TP/ (TP+ FP) 
召回率： TP(TP + FN)
F1-score: 2*TP/(2*TP + FP + FN) 
liu_coding
关注
专栏目录
如何通俗理解准确率、精确率、召回率、F1score、AUC、ROC
An_oak的博客
08-13 1320
本文我会用最通俗的语言帮助大家快速理解并记住准确率、精确率、召回率、F1score，AUC、ROC以及特异度。这些指标其实乍一看能知道都是什么，但是一用起来记不住定义。
准确率(Accuracy) 精确率(Precision) 召回率(Recall)和F1-Measure
喔哟哟哟哟
04-02 8113
先验知识 　　我们首先将数据的类别统一分为两类：正类和负类。例如：一个数据集中的数据一共有3类，小学生、中学生、高中生。我们的目标是预测小学生，那么标记为小学生的数据就是正类，标记为其他类型的数据都是负类。 　　数据有两种状态：测试集数据和预测结果数据。 　　对一批测试数据进行预测，结果可以分成四种。 TP(True Positive): 原本是正类，预测结果为正类。(正确预测为正类) ...
机器学习模型指标之准确率、精确率、召回率、F1 score
LIsaWinLee的博客
04-04 898
机器学习模型指标之准确率、精确率、召回率、F1 score 第一篇看代码 第二篇看图解概念 第三篇看意义
三个练习题帮助理解“精度" "召回率""F1值"
weixin_33779515的博客
01-25 924
2019独角兽企业重金招聘Python工程师标准>>> ...
精确率 召回率 F1（详细）
qq_20449731的博客
02-05 1823
精确率召回率等相关知识点经常出现在笔试题中，如果仅考查精确率召回率并不难理解记忆。但是有时结合ROC等知识点时，TP，NP，TN，FN，4个不易区分的符号及各种比率会对初学者的理解产生干扰，本文将几个知识点结合起来举例解释，希望能方便大家理解记忆。背景当我们那一个已知结果的数据对算法进行测试时，不难发现算法对数据判断出现的错误。 当待处理数据简单分为正负两类时，显然 对于原数据来说，只有正负两种
准确率、精准率、召回率
qq_44186052的博客
03-22 2929
参考：准确率、精确率、召回率 - 知乎 以一个二分类系统来讲，通常情况下我们会将数据分为两类：正确（T），错误（F） ,但是在我们实际操作的运行模型的结果中会出现四种不同的分类结果 P(positive)N(Nagitive) (声明：这里所用的符号标记与所引用的链接有所不同) TP：本身是正类，结果划分是正类 TN：本身是正类，结果划分为负类 FP：本身是负类，结果划分为正类 FN: 本身是负类，结果划分为负类 1.准确率：所有正确的分类的比重 Accuracy=（TP+FN）/（TP
机器学习和深度学习分类问题的几个指标:准确率、精准率、召回率、F1-score、Macro-F1、Micro-F1
奥古斯都
03-01 4666
目录 1、Accuracy——准确率 2、Precision——精准率 3、Recall——召回率 4、进一步探索召回率和准确率 5、F1-Score 6、Micro-F1和Macro-F1 在说这个几个指标之前有一个非常重要的东西叫做混淆矩阵： 我们把上述提到的这个表格称作为混淆矩阵，那么一般使用混淆矩阵干嘛呢？计算召回率、计算准确率、计算精准率。接下来分别介绍这三个指标。 TP：实际是正样本预测也是正样本；TN：预测是负样本实际也是负样本；FN：实际上是正要根本预测为负样本；FP.
机器学习分类评估方法——准确率、精确率、召回率、F1-score、ROC曲线 的详细介绍
Ma Sizhou
03-02 2599
目录1、分类评估方法1.1 分类评估方法1.1.1 精确率与召回率（1）混淆矩阵:（2） 精确率(Precision)与召回率(Recall)1.1.2 F1-score1.1.3 分类评估报告api1.2 ROC曲线与AUC指标1.2.1 TPR与FPR1.2.2 ROC曲线1.2.3 AUC指标1.2.4 AUC计算API总结：2、ROC曲线的绘制2.1 曲线绘制（1） 如果概率的序列是（1:0.9,2:0.7,3:0.8,4:0.6,5:0.5,6:0.4）（2） 如果概率的序列是（1:0.9,2:.
机器学习——准确率、精度、召回率和F1分数(Machine Learning - Accuracy, Precision, Recall, F1-Score)
UoM_XiaoShuaiShuai的博客
07-16 8001
Evaluation of Machine Learning Algorithm Once you have done a machine learning model for classification problem, we want to know the accuracy of prediction of the model. We can use accuracy, precision
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...
【机器学习】准确率、精确度、召回率和 F1 定义
gongdiwudu的专栏
07-02 8088
数据科学家选择目标变量后 - 例如他们希望预测电子表格中的“列”，并完成了转换数据和构建模型的先决条件，最后步骤之一是评估模型的性能。
精确率 召回率
stone_tomcate的博客
07-22 477
精确率 精确率指标尝试回答以下问题： 在被识别为正类别的样本中，确实为正类别的比例是多少？ 精确率的定义如下： Precision=TPTP+FP 注意：如果模型的预测结果中没有假正例，则模型的精确率为 1.0。 让我们来计算一下上一部分中用于分析肿瘤的机器学习模型的精确率： 真正例 (TP)：1 假正例 (FP)：1 假负例 (FN)：8 真负例 (TN)：90 精确率精确率=TPTP+FP=11+1=0.5 该模型的精确率为 0.5，也就是说，该模型在预测恶性肿瘤
准确率、召回率、F-1值、ROC
weixin_41961559的博客
06-17 941
准确率、召回率、f1值
机器学习之F1（正确率与召唤率）
weixin_44183162的博客
03-06 1216
正确率与召唤率（precision and Recall）是广泛应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。 一般来说，正确率就是检索出来的条目有多少是正确的，召回率就是所有正确的条目有多少被检索出来了。 我们希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下是有矛盾的。比如极端的情况下，我们只搜索出了一个结果，而且是准确的，那...
精确率，召回率，F1值的理解
nth2000的博客
09-18 445
为了评估机器学习模型的精确度，引入P值和R值的概念。 定义P=#truepositives#predictedaspositivesP = \frac{\# true \quad positives}{\# predicted \quad as \quad positives }P=#predictedaspositives#truepositives​即精确度 定义R=#truepositives#actualpositivesR = \frac{\# true \quad positives}{\# a
[每日一氵] BERT下游二分类任务精确率P约为0.5，召回率R约为1的问题
先说一下，就简单地写点儿氵文，不是博客，只是我的笔记本/工具书
12-21 1118
怎么能把上边儿这个玩意儿关了啊??? 这样行不？？ 好吧不行 昨天训练BERT玩儿，跑了一下test，结果精确率约为0.5，召回率约为1，？？？？？？ 这BERT这么吊的吗？？？ 召回率率基本上为1??? 后来想了一下，大概就是把所有的样本预测为正类了，而TEST集中正负样本为1:1，所以召回率为1，准确率为0.5 诶，这不是训练过的样本吗？？怎么会全预测为1呢？ 哦，原来是我训练完了，忘了从服务器上down下来了… hai 这样就正常多了 在此感谢另一位队友，感谢老铁的帮助！！！ ...
查准率、查全率、F1值
lakomi的博客
09-15 818
举个栗子 假设有10个数据， target： [ 1，1，1，1，1，0，0，0，0，0 ] predict：[ 1，0，1，1，1，1，1，0，0，0 ] target为数据现实的分类，predict为数据的预测结果。 查准率 P = （真正预测对的数量）/（预测结果是“对”的数量） 查准率即要求准确 此例中 P = 4/6 查全率 R = （真正预测对的数量）/（所有结果是“对”的数量） 查全率即要求“对”的越多越好 此例中 R=4/5 F值 F(k) = ( 1 + k ) * P * R / ( (
理解准确率、精确率、召回率等评价指标含义以及在SVM模型中的应用
热门推荐
Liii_NN的博客
09-06 1万+
目录 一、混淆矩阵 二、实例分析 1、准确率（Accuracy） 2、精确率（Precision） 3、召回率（Recall） 4、F值 5、AUC 总结 一、混淆矩阵 混淆矩阵（Confusion Matrix）是评估模型结果的指标，属于模型评估的一部分，如下图所示。 实际表现 1 0 预测表现 1 TP FP 0 FN TN 如果用T(True)代表正确、F(False)代表错误、P(Pos...
机器学习输出模型AUC、准确度、精确度、召回率、F1-score的代码
最新发布
09-10
在机器学习中，评估模型性能常用的指标包括AUC、准确度（Accuracy）、精确度（Precision）、召回率（Recall）和F1-score。以下是使用Python中的`sklearn`库计算这些指标的一个简单示例： 首先，你需要有一个训练好的机器学习模型，并对其做预测，得到预测结果和真实的标签。然后，使用`sklearn.metrics`中的相关函数来计算这些性能指标。 ```python from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score from sklearn.metrics import confusion_matrix # 假设 y_true 是真实的标签数组，y_pred 是模型预测的标签数组，y_pred_proba 是模型预测的概率数组（对于二分类问题） y_true = [...] # 真实标签 y_pred = [...] # 模型预测的标签 y_pred_proba = [...] # 模型预测的概率 # 准确度（Accuracy） accuracy = accuracy_score(y_true, y_pred) print(f'准确度: {accuracy}') # 精确度（Precision） precision = precision_score(y_true, y_pred) print(f'精确度: {precision}') # 召回率（Recall） recall = recall_score(y_true, y_pred) print(f'召回率: {recall}') # F1-score f1 = f1_score(y_true, y_pred) print(f'F1-score: {f1}') # AUC (Area Under the Curve) # 注意：AUC只能应用于二分类问题的ROC曲线 if len(np.unique(y_true)) == 2: # 确保标签只有两个类别 auc = roc_auc_score(y_true, y_pred_proba) print(f'AUC: {auc}') ``` 请确保你已经安装了`sklearn`库，并且你的`y_true`和`y_pred`是适当格式的数组或列表，`y_pred_proba`是一个包含概率值的数组。对于二分类问题，`y_pred_proba`应该是一个二维数组，其中每一行对应一个样本，每一列对应一个类别的预测概率。 在多分类问题中，`precision_score`、`recall_score`和`f1_score`函数默认计算所有类别的加权平均值。你也可以通过设置参数`average=None`来得到一个针对每个类别的性能指标列表。
评论 2
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