查准率和查全率

最新推荐文章于 2023-10-26 02:09:19 发布

nofish_xp

最新推荐文章于 2023-10-26 02:09:19 发布

阅读量3.2k

点赞数 1

分类专栏：学习笔记 AI

本文链接：https://blog.csdn.net/nofish_xp/article/details/82055806

版权

查准率和查全率是评估算法预测性能的重要指标。查准率关注预测为真的样本中实际为真的比例，而查全率关注实际为真的样本中被预测为真的比例。通过对真实世界问题如照片识别和癌症预测的案例分析，查准率和查全率展示了在不同应用场景下选择合适评价标准的重要性。

摘要由CSDN通过智能技术生成

查准率（Precision）和查全率（Recall）我们将算法预测的结果分成四种情况：
1. 正确肯定（True Positive,TP）：预测为真，实际为真
2. 正确否定（True Negative,TN）：预测为假，实际为假
3. 错误肯定（False Positive,FP）：预测为真，实际为假
4. 错误否定（False Negative,FN）：预测为假，实际为真
则：
查准率=TP/（TP+FP）
查全率=TP/（TP+FN）

例1

假设要识别照片中的狗的，在一些照片中，包含12只狗的照片和一些猫的照片。算法识别出有8只狗。在确定的8只狗中，5只实际上是狗（真阳性TP），而其余的是猫（假阳性FP）。该程序的精度为5/8，而其召回率为5/12。

例2

例如我们希望用算法来预测癌症是否是恶性的，在我们的训练集中，只有 0.5%的实例是恶性肿瘤。假设我们编写一个非学习而来的算法，在所有情况下都预测肿瘤是良性的，那
么误差只有 0.5%。然而我们通过训练而得到的神经网络算法却有 1%的误差。这时，误差的大小是不能视为评判算法效果的依据的。
查准率（Precision）和查全率（Recall）我们将算法预测的结果分成四种情况：
1. 正确肯定（True Positive,