机器学习结果统计－准确率、召回率，F1-score

最新推荐文章于 2022-06-17 10:01:34 发布
最新推荐文章于 2022-06-17 10:01:34 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
  • 4
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
F1 Score 原理与代码实战案例讲解
禅与计算机程序设计艺术
05-20 811
F1 Score 原理与代码实战案例讲解 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 机器学习模型评估的重要性 1.2 分类问题中的评估指标
精确率 召回率 F1（详细）
qq_20449731的博客
02-05 1778
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
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...
准确率(Accuracy) 精确率(Precision) 召回率(Recall)和F1-Measure
喔哟哟哟哟
04-02 8016
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
04-04 879
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
01-25 904
2019独角兽企业重金招聘Python工程师标准>>> ...
准确率、精准率、召回率
qq_44186052的博客
03-22 2732
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
机器学习模型评估-sklearn中的评估函数
最新发布
12-23
`sklearn.metrics`模块包含了大量的函数，用于计算预测结果与真实值之间的误差，例如`mean_squared_error`、`mean_absolute_error`、`accuracy_score`、`precision_score`、`recall_score`和`f1_score`等。...
机器学习课程回顾-菜鸟入门(详细版)
12-21
评估模型性能时，我们会关注Precision（查准率）、Recall（召回率）、F1 Score（F1分数）、Accuracy（准确率）和AUC of ROC曲线。Precision衡量预测为正类别的样本中实际正类别的比例，Recall则表示实际正类别被正确...
机器学习-分类评价指标.pdf
07-27
F1值（F1 score）：F1值是精确率和召回率的调和平均值，能综合衡量分类器的准确性和召回能力。F1值越高说明分类器的性能越好。 ROC曲线与AUC（Receiver Operating Characteristic curve and Area Under the Curve）...
银联数据分类练习模型-机器学习-jupyternotebook
02-16
银联分类练习完成了决策树模型的构建，最终成功预测逾期还款的精确率达到0.63，召回率达到0.67，f1-score达到0.65，且经过ROC与KS曲线的绘制，AUC的面积为0.7227，ks值为0.2317，可见模型是可用的。 首先观察了model...
MachineLearning:使用scikit-learn进行机器学习
04-03
5. 预测与评估：用`predict`方法对新数据进行预测，并通过评估指标（如准确率、精确率、召回率、F1分数、R2得分等）来评估模型的性能。 6. 调参优化：通过交叉验证（`cross_val_score`或`GridSearchCV`）来调整模型...
精确率 召回率
stone_tomcate的博客
07-22 455
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
06-17 853
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 1178
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
09-18 424
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
12-21 1068
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
09-15 759
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 / ( (
准确率、召回率、F1-score可以引用哪篇参考文献？
02-06
准确率、召回率和F1-score是机器学习和数据挖掘中常用的性能评估指标。这些指标可以在许多参考文献中找到。其中一篇经典的参考文献是: R. A. Fisher, "The use of multiple measurements in taxonomic problems," Annals of Eugenics, vol. 7, pp. 179-188, 1936. 这篇文章中提到了使用多种度量来评估分类器性能的重要性，并提出了准确率和召回率这两个概念。 F1-score是准确率和召回率的调和平均值，它可以在文献: D. J. Powers, "Evaluation: from precision, recall and F-measure to ROC, informedness, markedness & correlation," Journal of Machine Learning Technologies, vol. 2, no. 1, pp. 37-63, 2011. 中找到

“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 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