机器学习评价指标（分类、目标检测）

理解与应用：混淆矩阵、准确率、精确率与召回率在机器学习中的评估
最新推荐文章于 2025-03-15 09:16:23 发布
原创 最新推荐文章于 2025-03-15 09:16:23 发布 · 1.4k 阅读 · 17 ·
CC 4.0 BY-SA版权
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。
文章标签：

#机器学习 #分类 #目标检测

https://zhuanlan.zhihu.com/p/364253497
https://zhuanlan.zhihu.com/p/46714763
https://blog.csdn.net/u013250861/article/details/123029585

1.1 混淆矩阵

在介绍评价指标之前，我们首先要介绍一下混淆矩阵（confusion matrix）。
混淆矩阵本身是对于预测结果的一个粗略评价，可以让我们对预测结果和原始数据有一个宏观的了解。同时我们也会在计算后面的评价指标时用到混淆矩阵中的数。
image.png

混淆矩阵里面有四个格子，包含了我们在进行一个二分类预测的时候，预测结果所有可能出现的情况。也就是说，对于任何一个样本进行预测以后，预测结果一定属于这四个格子的其中一个：
True Positive（TP）表示实际上这个样本为Positive，模型也把这个样本预测为Positive的情况。这是我们预测正确的部分。
True Negative（TN）表示实际上这个样本为Negative，模型也把这个样本预测为Negative的情况。这是我们预测正确的部分。
False Positive（FP）表示实际上这个样本为Negative，但是模

最低0.47元/天 解锁文章
『NLP学习笔记』Sklearn计算准确率、精确率、召回率及F1 Score
AI新视界
12-07 1万+
分类是机器学习中比较常见的任务，对于分类任务常见的评价指标有 准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1 score、ROC曲线(Receiver Operating Characteristic Curve)等。
YOLO算法：关于目标检测的评价指标（小白入门必读）
小哥谈
10-24 2795
目标检测评价指标是用来衡量目标检测算法性能的指标，主要包括几个指标：精确率（Precision）、召回率（Recall）、交并比（IoU）、平均精度（AP）和多个类别AP的平均值即mAP等等。本节课就给大家重点介绍下目标检测中的相关评价指标及其含义，希望大家学习之后能够有所收获！
机器学习评价指标（ACC,P,R,F1,AUC等）
huipingx的博客
12-15 4万+
分类 TP：正例预测正确的个数 FP：负例预测错误的个数 TN：负例预测正确的个数 FN：正例预测错误的个数 准确率（accuracy） 精确率（precision） 描述的是在所有预测出来的正例中有多少是真的正例 准确率与精确率的区别： 在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点...
使用Python进行多个机器学习模型、多个评价指标表格绘制（AUC、敏感度、特异度、F1值、约登指数、MCC、Kappa等）
柳奈奈的博客
03-03 1万+
本文简要介绍了常用的机器学习模型评价指标，并使用Python绘制单个模型和多个模型的各个评价指标的汇总表格。评价指标有：训练集AUC、测试集AUC、敏感度（Sensitivity）、特异度（Specificity）、PPV、NPV、PLR、NLR、F1值、Youden Index、MCC、Kappa。
机器学习常用评价指标：ACC、AUC、ROC曲线
热门推荐
shiaiao的博客
10-06 8万+
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、混淆矩阵二、评价指标1.准确度（Accuracy）总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一
【漫话机器学习系列】141.灵敏度（Sensitivity）
最新发布
IT古董
03-15 2752
在统计学和机器学习领域，灵敏度（Sensitivity），也称为召回率（Recall），是一种衡量分类模型在检测正例时的能力的重要指标。灵敏度是分类模型中衡量正类样本识别能力的重要指标，广泛应用于医学诊断、欺诈检测、安保监测和信息检索等领域。在实际应用中，应根据业务需求调整模型参数，以优化灵敏度和其他评估指标的平衡。
【机器学习-20】分类与预测算法评价的方式介绍
qq_38614074的博客
04-19 1万+
在机器学习中，分类算法的性能评价是至关重要的一环。不同的评价指标能够从不同角度反映算法的优劣，从而帮助我们更全面地理解算法的性能特点。以下将详细介绍几种常见的分类算法评价方式。
机器学习模型评价指标一览
juhanishen的博客
01-13 3576
机器学习模型评价指标一览 在这篇文档里，我们会介绍一些常用的机器学习模型评价指标。这些指标会根据模型的目标而分成以下两类： 回归模型的指标 分类模型的指标 一般来说，这两大类指标是没有重合的，我们要根据不同的模型来选择对应的一个或多个指标。有些指标是模型在学习过程中的优化对象（即损失函数），而有些其他只能用来评判模型的好坏。 1.~分类模型的指标 分类问题可以再细分为二分类问题（Binary Classification）以及多分类问题（Multi-category Classi...
目标检测 机器学习方法 静态场景 测试车辆检测
02-14
利用机器学习方法（分类）实现静态场景下的测试车辆检测  利用C语言或者Open_CV库，或者是MATLAB软件编写实现静态场景下的测视车辆检测。需使用机器学习方法。代码可以通过一个主函数直接运行出实验结果。  Data...
机器学习评价指标（1）——灵敏度（sensitivity）/查准率/召回率（Recall）/和特异度（Specificity）
Robin_Pi的博客
06-26 2万+
理想状态：标准或者阈值在分界点 实际状况：漏诊和误诊二者择一 若选用绿线作为判断标准，则没有误判一个正常人，但是漏掉了部分患者； 若选择红线作为判断标准，则没有一个病人被漏诊，但部分正常人得到了错误的结果； 所以，要根据具体的情况，选择适合的判断标准： 对于一些预后差，漏诊后果严重，早期诊断可以有效果很好的疾病时，我们就把灵敏度定高一点。不要放过一个病人。梅毒就是这样的疾病，所以，RPR检测的灵敏度高特异度低。 对于一些治疗效果不好，确诊和治疗费用高，或者预后不太严重，或误诊时对病人心理生理和经济上.
聚类算法评价指标Precision，F-meare，F1，ACC
03-11
聚类算法评价指标
推荐算法评价指标(ACC、查全率、查准率、F1-Score、ROC、AUC,P-R)
traveler-leon的博客
04-27 1万+
推荐系统的评价指标很多，今天介绍：准确率(ACC)、查准率(P精确率)、查全率(R召回率)、F1-score、ROC、AUC
【推荐系统1---评价指标ACC、Recall、Precision、F1 score、HR、MRR、NDCG】
qq_45584615的博客
10-09 1538
S为样本的数目，可以理解为用户的需求项的数目。FP：False&Positive（positive表示正样本，false表示预测错误，即预测为正样本，实际也是负样本）FN：False&Negative（negative表示负样本，false表示预测错误，即预测为负样本，实际是正样本）预测结果列表中预测正确的样本占所有样本的比例，即用户想要的项目有没有推荐到，强调预测的“准确性”。预测为1的样本中实际为1的频率，也就是TP/（TP+FP）实际为1的样本中被预测为1的频率，TP/（TP+FN）
模型评估指标中分类评价指标(acc，recall ,precision,F1,fusion matrix, kappa,roc)
qq_41999081的博客
11-19 1万+
通常我们在构建模型之后都会涉及到一个模型的精度评价。针对不同的模型由主要可以分回归评价指标和分类评价指标，本文主要是想梳理一下各种不同类型的分类评价指标原理。 目录 分类评价指标 分类评价指标 在了解二分类之前需要先了解下面四个概念 TP（正确预测正分类结果） FP(错误预测正分类结果) TN(正确预测负分类结果) FN（错误预测负分类结果 Accuracy（总体分类精度）：预测正确的样本数 / 所有的样本数 Precision（精确度）：.........
机器学习分类模型评价指标之Accuracy、Precision、Recall、F-Score、P-R Curve、AUC、AP 和 mAP
博观约取，厚积薄发
11-21 9084
本文旨在说明其他机器学习模型的评价指标。
关于多分类的评价指标acc、pre、recall、f1
ARYAD的博客
08-21 3517
1.准确率ACC： overall： 准确率是分类正确的样本占总样本个数的比例，即 其中， ncorrect​为被正确分类的样本个数， ntotal​为总样本个数。 结合上面的混淆矩阵，公式还可以这样写： y_pred = [0, 2, 1, 3] y_true = [0, 1, 2, 3] print(accuracy_score(y_true, y_pred)) # 0.5 print(accuracy_score(y_true, y_pred, normalize=False)) # 2
机器学习：混淆矩阵、准确率、错误率、灵敏度、特异度、精准率、召回率、F-Measure、ROC曲线 & PR曲线
SunshineSki的博客
03-02 2万+
从FPR和TPR的定义可以理解，TPR越高，FPR越小，我们的模型和算法就越高效。比如，把蓝色虚线放到第一张图片下面，也就是说让系统只识别出最上面的那张飞机图片，那么Precision的值就是100%，而Recall的值则是20%。如果把蓝色虚线放到第二张图片下面，也就是说让系统只识别出最上面的前两张图片，那么Precision的值还是100%，而Recall的值则增长到是40%。灵敏度（Sensitive 表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力，在数值上等于召回率Recall）
机器学习常用评估Metric（ACC、AUC、ROC）
0101 0010 0000
12-23 1293
机器学习相关评估指标及概念扫盲：ACC、Recall、Precision、F1、AUC、ROC
机器学习评估指标 - f1, precision, recall, acc, MCC
qq_40671063的博客
09-20 8126
机器学习评估指标 - f1, precision, recall, acc, MCC
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

打赏作者

AI学长与深度学习

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