机器学习——精确率（精度）、召回率、漏检率的计算方法

最新推荐文章于 2025-03-22 10:41:45 发布
最新推荐文章于 2025-03-22 10:41:45 发布
阅读量9.9k 收藏 16
点赞数 6
分类专栏： 深度学习&机器学习 心得浅谈
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/nyist_yangguang/article/details/108175337
版权
本文探讨了在信息检索和机器学习中精确率与召回率的概念，通过具体案例阐述了如何计算这两个指标，并解释了它们在评估算法性能时的重要性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

两组数据，其中一组叫上部，另一组叫下部。上部249个数据，下部499个数据。上部中每一个都可以在下部中找到与它匹配的，关系是一对一，下部有一些数据是多余的。我现在设计实验，返回249组数据，每组：有前一，前五，前十，前十五四种情况。只看前一的，有173组正确。只看前五，有221个正确。只看前十，有229个正确。只看前十五，有233个正确的。现在要统计它们的精度，召回率，漏检率。

注释：其实这三个名词儿就已经体现出它这个东西了，准确率那肯定就是都是对的，就是检测出来都是对的那些数量总数比；精确就是在它检测出来的数量里，确实是检测对了那些数量和检测出来的数量比。

 

 

 

 

在信息检索领域，精确率和召回率又被称为查准率和查全率，

查准率＝检索出的相关信息量 / 检索出的信息总量
查全率＝检索出的相关信息量 / 系统中的相关信息总量

二.举个栗子
 

假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查找出50个，其中只有40个是真正的正样本，计算上述各指标。

 

  • TP: 将正类预测为正类数 40
  • FN: 将正类预测为负类数 20
  • FP: 将负类预测为正类数 10
  • TN: 将负类预测为负类数 30


准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
精确率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3

12. 机器学习——评价指标
qq_32468785的博客
11-13 276
在机器学习中，评价指标用于衡量模型的性能和预测结果的准确度。选择适当的评价指标取决于任务的性质，比如分类、回归或聚类等。TPFPFNTN分别为真阳性假阳性和假阴性真阴性。真阳性（True Positive，TP）：标签为正类，预测为正类；假阳性（False Positive，FP）：标签为负类，预测为正类；假阴性（False Negative，FN）：标签为正类，预测为负类；真阴性（True Negative，TN）：标签为负类，预测为负类；
召回率Recall原理与代码实例讲解
AI天才研究院
05-29 486
召回率Recall原理与代码实例讲解 1.背景介绍 在信息检索、机器学习和数据挖掘等领域中,召回率(Recall)是一个非常重要的评估指标。它用于衡量模型或系统在检索相关项目时的有效性和完整性。无论是在搜索引擎、推荐系统还是分类任务中,召回率都扮演着至关重要的角色。本文将深入探讨召回率的
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
热门推荐
weixin_34144450的博客
07-22 1万+
yu Code 15 Comments  机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。(注： 相对来说，IR 的 ground truth 很多时候是一个 Ordered List, 而不是...
召回率和精度
weixin_30756499的博客
09-01 494
召回率（Recall）和精度（Precise）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。其中召回率是是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。精度是检索出的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。 从一个大规模数据集合中检索文档时，可把文档分成四组： 1. 系...
准确率、精确率、召回率、F1值
D2460596421的博客
03-22 736
4. F1 = 2 /（1/精准率 + 1/召回率）=（2*精准率*召回率）/ （精准率+召回率）（在我看来是基于真实类别来判别的，所以分母是该类的真是类别全部个数）（在我看来是基于预测结果来判别的，所以分母是预测该类的全部个数）3.召回率 = 对于一类预测正确的个数 / 真正是该类的全部个数。2.精确率 = 对于一类预测正确的个数 / 预测该类的全部个数。1.准确率 = 预测正确个数 / 总样本的个数；由于需要对精准率和召回率的综合，才引出了F1。准确率和召回率都是基于一类进行研究的。
Precision (精确率) 和 Recall (召回率)
weixin_51976215的博客
04-08 1万+
Precision (精确率) 和 Recall (召回率) 是机器学习中的两个重要指标，用于评估分类模型的性能。精确率指预测为正的样本中真正为正的样本占比，召回率指真正为正的样本中被正确地预测为正的样本占比。其中，TP 表示真正为正的样本预测为正，FP 表示真正为负的样本预测为正，FN 表示真正为正的样本预测为负。通常情况下，精确率和召回率是相互矛盾的，提高精确率会降低召回率，反之亦然。
精准率和召回率
CSDN_of_ding的博客
09-29 9149
其中， TP：样本为正，预测结果为正； FP：样本为负，预测结果为正； TN：样本为负，预测结果为负； FN：样本为正，预测结果为负。 准确率、精准率和召回率的计算公式如下： 准确率（accuracy）： (TP + TN )/( TP + FP + TN + FN) 精准率（precision）：TP / (TP + FP)，正确预测为正占全部预测为正的比例 召回率（recall）： TP / (TP + FN)，正确预测为正占全部正样本的比例 F-measure：precision和recall调和均.
机器学习入门教学——精度(Precision)、召回/真阳性率(Recall/TPR)、假阳性率(FPR)
计算机硕士的博客
08-17 4230
机器学习入门教学——精度(Precision)、召回/真阳性率(Recall/TPR)、假阳性率(FPR)，精度与召回的区别。
什么是精确率，召回率，F1分数
烟雨星洲
11-01 2091
精确率、召回率、F1 分数被定义的文献原文在机器学习和统计分类问题中，精确率（Precision）、召回率（Recall）和 F1 分数（F1 Score）是衡量模型性能的三个核心指标。这些指标帮助我们评估模型在预测结果时的准确性和可靠性。本文将详细解释这三个指标的定义、计算方法以及它们在实际应用中的意义。
【AI知识点】召回率、精确率、准确率、F1-score和混淆矩阵
AI完全体
10-09 1309
召回率、精确率、准确率、F1-score和混淆矩阵，这些是评估一个分类模型性能的常用指标，我们可以通过一个简单的二分类问题来说明它们的区别。这个例子是关于邮件垃圾分类的场景，假设我们要训练一个分类器来区分电子邮件是否是垃圾邮件。
进阶课程⑳丨Apollo感知之旅——机器学习与感知的未来.pdf
04-17
因此，深度学习模型必须具备高精度、高召回率，并能快速响应，以减少延迟，确保在实际行驶中能及时作出决策。 其次，自动驾驶感知训练集与测试集的不匹配问题尤为突出。由于训练通常在封闭环境中进行，而实际运行则...
精准率 (Precision)
大连赵哥的博客
07-26 1181
精准率 (Precision)
机器学习二分类精度
平平淡淡，戒急用忍，一生学闭嘴。
01-29 1496
针对二分类的结果，对模型进行评估，通常有以下几种方法： Precision、Recall、F-score（F1-measure）TPR、FPR、TNR、FNR、AUCAccuracy 初始作如下定义： 真实结果 10预测结果1TP（真阳性）FP（假阳性）0FN（假阴性）TN（真阴性） TP（True Positive）：预测结果为正类，实际上就是正类FP（False Positive）：预测结果为正类，实际上是反类FN（False negative）：预测结果为反类，实际上是正类TN（True neg
机器学习中的精度、召回等概念
crispto的博客
01-11 2253
精度和回归的意义
机器学习（二十二）：精度和召回率
weixin_45733884的博客
07-24 1024
倾斜数据集：一个数据集中的正面和负面例子的比例非常不平衡，比如数据集中，结果为1的占比20%，结果为0的占比80%例子：如果数据集的结果中只有0.5%是1，其余结果是0。有一个模型的预测准确度是99.5%，但是预测了所有数据的结果都是0，这个模型的准确度很高，但是预测不出结果为1，这不能代表这个模型是好模型。因此需要引入其他的误差度量方式来评估模型好坏。
每天五分钟机器学习：分类算法评价指标之准确率
huanfeng_AI的博客
10-27 1168
从本文开始我们将学习准确率这个评价指标，准确率是所有评价指标中最简单的评价指标了。比如我们上学的时候，我们做选择题，一共10道，我们做对了7道，那么我们可以认为准确率为70%。准确率是指分类正确的样本占总样本个数的比例，用公式表示就是：直观易懂：准确率作为比例值，其大小直接反映了模型预测的正确程度，易于理解和解释。计算简便：准确率的计算仅涉及简单的加法和除法运算，计算过程简便快捷。广泛应用：在分类问题中，准确率是最常用的评估指标之一，尤其适用于类别分布相对均衡的数据集。对类别不平衡敏感：当数据集中各类别的样
机器学习 - 精度评价
长风破浪会有时，直挂云帆济沧海
01-16 1712
机器学习 - 精度评价Python sklearn.metrics 提供了很多任务的评价指标，如分类任务的混淆矩阵、平均分类精度、每类分类精度、总体分类精度、F1-score 等；以及回归任务、聚类任务等多种内置函数. 分类 - 混淆矩阵 Confusion Matrix
【机器学习】准确率、精确率、召回率、误报率、漏报率概念及公式
BetterBench的博客
09-02 7796
阳性（正）样例P和阴性（负）样例N，将正样本预测为正样本的为True positive（TP），正样本预测为负样本的为False negativ（FN），负样本预测为正样本的为False positive（FP），负样本预测为负样本的为True negative（TN）。反映分类器或者模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例。反映分类器或者模型正确预测负样本全度的能力，增加将负样本预测为负样本，即负样本被预测为负样本占总的负样本的比例。
机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)
qq_42113976的博客
07-16 4376
机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure) 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)、召回率(Recall)、F值(F-Measure)等，下图是不同机器学习算法的评价指标。下文讲对其中某些指标做简要介绍。 本文针对二元分类器！ 本文针对二元分类器！！ 本文针对二元分类器！！！ 对分类的分类器的评价指标将在以后文章中介绍。 在介绍指标前必须先了解“混淆矩阵”： 混淆矩阵
如何理解精确度和召回率
最新发布
03-31
<think>好的，用户想了解机器学习中的精确度和召回率的区别及计算方法。首先，我需要回忆这两个概念的基本定义。精确度，也就是精确率，通常是指模型预测为正类的样本中，真实为正类的比例。而召回率则是真实为正类的样本中被正确预测出来的比例。这两个指标在分类问题中非常重要，尤其是在不平衡数据集中。 接下来，我要确认它们的计算公式。根据引用的内容，精确度应该是真正例（TP）除以真正例加上假正例（FP），也就是$Precision = \frac{TP}{TP + FP}$。召回率则是真正例除以真正例加上假反例（FN），即$Recall = \frac{TP}{TP + FN}$。需要确保公式的LaTeX格式正确，使用$...$包裹。 然后，要区分它们的应用场景。比如，在医疗诊断中，高召回率更重要，因为需要尽可能找出所有患病者；而在垃圾邮件检测中，高精确率可能更重要，避免将正常邮件误判为垃圾邮件。这部分需要结合例子说明，让用户更容易理解。 用户可能还关心两者的权衡，比如F1分数，这是精确率和召回率的调和平均数。根据引用[2]，F1 score的计算公式是$F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$。需要解释为什么调和平均更适合这种情况，因为它惩罚极端值，使得两者都比较平衡。 此外，需要检查是否有常见的误区。比如，准确率（Accuracy）和精确率（Precision）的区别，避免用户混淆这两个概念。引用[3]提到准确率是检测正确的总数除以总样本数，而精确率是检测为正类中正确的比例。这部分要明确区分。 最后，生成相关问题时要围绕用户可能进一步想了解的内容，比如如何选择指标、实际应用案例、如何提高精确率或召回率的方法，以及F1分数的具体应用场景。确保问题覆盖用户可能的需求，并引导他们深入理解。</think>### 精确度与召回率的区别及计算方法 #### 1. 核心定义 - **精确度（Precision）**：模型预测为正类的样本中，**实际为正类的比例**，计算公式为： $$Precision = \frac{TP}{TP + FP}$$ 其中，$TP$（True Positive）是正确预测的正样本数，$FP$（False Positive）是错误预测的正样本数[^3]。 - **召回率（Recall）**：实际为正类的样本中，**被正确预测为正类的比例**，计算公式为： $$Recall = \frac{TP}{TP + FN}$$ 其中，$FN$（False Negative）是错误预测为负样本的正样本数[^1]。 #### 2. 区别与联系 | 指标 | 关注点 | 适用场景 | 数学表达 | |-----------|---------------------|----------------------------|--------------------| | 精确度 | 预测结果的准确性 | 注重减少误报（如垃圾邮件检测） | $TP/(TP+FP)$ | | 召回率 | 正样本的覆盖程度 | 注重减少漏检（如疾病筛查） | $TP/(TP+FN)$ [^1] | **示例**： 在癌症检测中，若召回率低，意味着大量患者未被识别（漏检风险高）；若精确度低，意味着健康人被误诊为癌症（误报风险高）。 #### 3. 综合指标：F1 Score 当需要平衡精确度与召回率时，使用**F1 Score**（谐波平均值）： $$F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$$ 该指标更偏向于较小的值，避免单一指标过高而另一项过低的问题[^2]。 ---
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

打赏作者

程序猿的探索之路

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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