机器学习基础知识：精确率和召回率

最新推荐文章于 2024-07-30 10:44:16 发布
最新推荐文章于 2024-07-30 10:44:16 发布
阅读量469 收藏 1
点赞数
分类专栏： 机器学习 文章标签： python 机器学习
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/qq_32419125/article/details/114659813
版权

判定一个模型是好是坏，应该从多个角度去评判
一般最常使用的是准确率，即预测结果正确的百分比（正确个数/总个数）。API为:estimator.score()
其他标准：首先介绍混淆矩阵
在这里插入图片描述
混淆矩阵引出其他指标
精确率（查得准）：预测结果为正例样本中，真实结果为正例的比例 TP/(TP+FP)
召回率（查得全）：真实结果为正例样本中，预测结果为正例的比例 TP/(TP+FN)
调和均值：F1 = 2精确率召回率 /（精确率+召回率）
调和均值F1是精确率和召回率的调和平均数，最大为1，最小为0，反映了模型的稳健性

API：sklearn.metrics.classification_report(y_true,y_pred,target_names=None)
会返回每个类别的精确率和召回率

yundanyi291
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 3万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
【机器学习】原理+实例， 一文掌握 精确率、召回率与F1分数，再也不迷路。
商务合作 | 面试培训 | 职场规划 ==>主页扫码
03-27 3975
原理+示例，一文掌握 精确率、召回率、F1分数
精确率与召回率
qq_31139389的博客
08-04 7883
分类问题的评估指标 1.分类评估方法 1.1 精确率与召回率 1.1.1 混淆举证 在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类) TP：True Positives， 表示实际为正例且被分类器判定为正例的样本数 FP：False Positives， 表示实际为负例且被分类器判定为正例的样本数 FN：False Negatives， 表示实际为正例但被分类器判定为负例的样本数 TN：True
机器学习 | 评估原理——准确率、精确率、召回率、F1值
最新发布
ttrr27的博客
07-30 1511
Hi，大家好，我是半亩花海。接着上次的模型评估与交叉验证继续更新《白话机器学习的数学》这本书的学习笔记，在此分享精确率、召回率、F1值相关评估原理。本章的基于已建立的模型进行评估知识的学习，欢迎大家交流学习！
Precision (精确率) 和 Recall (召回率)
weixin_51976215的博客
04-08 8929
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。
精确率、准确率、召回率
lihe的博客
11-18 1万+
TP: Ture Positive 把正的判断为正的数目 True Positive,判断正确，且判为了正，即正的预测为正的。 FN: False Negative 把正的错判为负的数目 False Negative,判断错误，且判为了负，即把正的判为了负的 FP: False Positive 把负的错判为正的数目 False Positive, 判断错误，且判为了正，即把负的判为了正的 TN: True Negative 把负的判为负的数目 True Negative,判断正确，且判为了负，即把负的判为
Precision&Recall
Mr_Brooks的博客
07-25 499
实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是 而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。 其实就是分母不同，一...
机器学习-精确率与召回率
一个小白
09-28 3440
机器学习-精确率与召回率 数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)等。 二元分类器： 混淆矩阵 True Positive(真正，TP)：将正类预测为正类数 True Negative(真负，TN)：将负类预测为负类数 False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)...
如何理解机器学习中的准确率和召回率？
追风人的博客
04-30 718
如何理解机器学习中的准确率和召回率？ 作者：祁鑫 链接：https://www.zhihu.com/question/19645541/answer/39732647 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 准确率和召回率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。其中精度是检索出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...
三、机器学习基础知识：Python常用机器学习库（SKlearn）
weixin_42051846的博客
11-06 412
详细介绍了Python常用机器学习库SKlearn，主要围绕其中的简介、主要步骤、数据预处理、模型选择与算法评价这几个部分展开说明。
机器学习基础：案例研究.zip
09-23
在本压缩包“机器学习基础：案例研究.zip”中，我们重点关注的是机器学习这一领域的基础知识及其实际应用。机器学习是人工智能的一个重要分支，它通过让计算机从数据中学习规律，从而实现自我改进和预测能力。这里，...
python机器学习教程-从零开始掌握Python机器学习：十四步教程.pdf
06-12
【Python机器学习基础】 Python作为机器学习的首选语言，因其简洁的语法和强大的库支持而备受推崇。在开始机器学习之旅之前，首先需要掌握Python的基础编程技能。这包括理解变量、数据类型、控制结构（如if-else，...
机器学习技术系列：一篇图文笔记了解【机器学习基础知识】
u012730075的专栏
01-08 506
简而言之，人工智能可以被描述为试图将通常由人类完成的智力任务自动化。因此，人工智能是一个综合领域，不仅包括机器学习和深度学习，还包括更多不涉及学习的方法。其中一个工程化的概念一个计算机程序利用经验E来学习任务T，性能是P，如果针对任务T的性能P随着经验E不断增长，则称为机器学习。比如一个电商领域的应用T：将用户可能购买的商品推荐给用户；E：用户查看、忽略或购买了某商品；P：用户成功购买商品的比率；机器学习算法对于一项数据处理任务，给定预期输出的示例，机器学习系统可以发现执行任务的规则。输入数据。
精确率和召回率
how many roads a model must walk down, before they call him a service
07-30 502
  图中意义自明。 准确率：acc = (TP+TN) / (TP+FN+FP+TN)  即所有被分的例子中正确的比例 召回率：recall = TP / (TP+FN)  表示所有正例中，被正确划分的比例（有正例被错误预测为负） 精确率：precision = TP / (TP + FP)  表示正确预测为正占所有预测为正的比例（其中有负例被错误预测为正）   关系：也不算正相关或负...
机器学习模型评估的重要指标：精确率、召回率、F1Score
热门推荐
GwentBoy的博客
01-26 1万+
精准率、召回率分类准确度混淆矩阵精准率&召回率为什么精准率召回率优于准确率 分类准确度 在聊精准率、召回率之前，一般我们会看模型预测的准确率，即所有预测正确样本数/样本总数。 但分类准确度不能完全衡量模型好坏。 比如一个癌症预测系统，输入体征信息，判断是否有癌症。如果癌症在人类身上发生的概率为0.1%，那模型只要都判断没有癌症，即可达到99.9%的准确率。 如果去训练机器学习模型，但是最后准确率有99%，但其实这个模型还是失败的，即使这个模型什么都不做，完全输出无癌症，依然能有99.9%的准确率。
召回率与精确率
哎哟哟也爱技术
10-02 126
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 其他详细内容，参考知乎 https://www.zhihu.com/question/19645541 ...
精确率、召回率、准确率
weixin_44070509的博客
08-16 419
1、精确率、召回率、准确率 TP：正类预测为正类 FN：正------>负 FP：负------>正 TN：负------>负 精确率：P=TPTP+FPP=\frac{TP}{TP+FP}P=TP+FPTP​，表示预测为正的样本中有多少是真正的正样本； 召回率：R=TPTP+FNR=\frac{TP}{TP+FN}R=TP+FNTP​，表示样本中的正类有多少被预测正确了； 准确率：R=TP+TNTP+FN+FP+TNR=\frac{TP+TN}{TP+FN+FP+TN}R=TP+FN+F
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
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