准确率，精准率，召回率，真正率，假正率，ROC/AUC

已于 2023-11-09 14:40:28 修改
阅读量4w 收藏 261
点赞数 51
分类专栏： 目标检测 深度学习 pytorch 文章标签： 机器学习 人工智能 python
于 2022-08-24 10:16:01 首次发布
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_38683460/article/details/126492686
版权

目录

前言

  最近在看到这些词得时候老是混淆，看了之后还很容易遗忘，于是查了些资料把他们记录下来。
我们在设计深度学习网络模型的时候经常要对其进行评估，评估就要用到这些东西，在接介绍这个率，那个率之前，我先来介绍下什么是混淆矩阵，如下表所示：
混淆矩阵：
在这里插入图片描述

  • P（Positive）：代表1
  • N（Negative）：代表0
  • T（True）：代表预测正确
  • F（False）：代表预测错误

TP：预测为1，预测正确，即实际1
FP：预测为1，预测错误，即实际0
FN：预测为0，预测错误，即实际1
TN：预测为0，预测正确，即实际0
简单记这个混淆矩阵就是前面一个表示预测正确

了解本专栏 订阅专栏 解锁全文 超级会员免费看
I松风水月
关注
专栏目录
订阅专栏
数据_离职率预测数据_
10-01
- 使用准确率、精确率、召回率、F1分数、AUC-ROC曲线等指标评估模型性能。 - 考虑使用混淆矩阵来分析模型在各个类别的表现，特别是在类别不平衡的情况下。 6. **模型解释**： - 通过特征重要性分析了解哪些因素...
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC
架构和代码
07-06 5万+
在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式:             召回率(Recall)      =  系统检索到的相关文件 /
机器学习 | 准确率、召回率、精准率、特异度傻傻分不清？ROC曲线怎么看？一篇文章帮你搞定
Huiwen18的博客
04-27 5741
提高召回率是为了少漏报；提高精准率是为了少错报。ROC曲线纵轴为真正率，横轴为假正率
机器学习中常用的评价指标：分类(准确率、精确率、召回率、F1-score、AUC)、回归（MSE、RMSE、MAE、 R2）、聚类（轮廓系数、SSE、Calinski-Ha）
最新发布
u013172930的博客
09-27 1560
机器学习常用评价指标，分类问题：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1-score、ROC 曲线和 AUC 值、Log 损失（Log Loss），回归问题：均方误差（MSE，Mean Squared Error）、均方根误差（RMSE，Root Mean Squared Error）、平均绝对误差（MAE，Mean Absolute Error）、决定系数（$R^2$ 或 $R$平方），聚类问题：轮廓系数（Silhouette Coefficient）、SSE
理解准确率(accuracy)、精度(precision)、查全率(recall)、F1
ybdesire的专栏
12-13 4万+
详解衡量机器学习模型分类结果的四个关键指标
分类模型评估：混淆矩阵、准确率、召回率、ROC
Laurence的技术博客
02-13 3412
在二分类问题中，混淆矩阵被用来度量模型的准确率。因为在二分类问题中单一样本的预测结果只有Yes or No，即：真或者假两种结果，所以全体样本的经二分类模型处理后，处理结果不外乎四种情况，每种情况都有一个专门称谓，如果用一个2行2列表格描述，得到的就是“混淆矩阵”。其中，假阳性（FP）又被称为“Type 1 Error”，假阴性（FN）又被称为“Type 2 Error”。在所有“预测为真”（TP+FP）的数据中，有多少是“真得预测对了”（TP）的? 这个百分比叫“准确率”（Precision）在所有“实际
一文读懂准确率、精准率、召回率、ROC、AUC、F1值
cz的博客
01-18 1万+
准确率，精准率，召回率 分类问题中的混淆矩阵如下 TP： 预测为1，预测正确，即实际1 FP： 预测为1，预测错误，即实际0 FN： 预测为0，预测错确，即实际1 TN： 预测为0，预测正确即，实际0 准确率 accuracy 准确率的定义是预测正确的结果占总样本的百分比，其公式如下： 准确率=(TP+TN)/(TP+TN+FP+FN) 虽然准确率可以判断总的正确率，但是在样本不平衡 的情况下，并不能作为很好的指标来衡量结果。举个简单的例子，比如在一个总样本中，正样本占90%，负样本占10%，样本是严重不
机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
热门推荐
小太阳~
04-26 29万+
以下第一部分内容转载自：机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)是怎么一回事摘要：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)、F值(F-Measure)简介。 引言：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
准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure)、AUC、ROC的理解
qfikh的博客
03-03 3万+
一、准确率、精确率、召回率和 F 值 (1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP) (2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是正类，但是被预测成为负类，即为假负类(False Negat...
3.召回率-机器学习模型性能的常用的评估指标
qq_37977007的博客
01-24 1万+
简单的介绍了召回率作为机器学习中的重要评价指标.
召回率（rec），准确率（acc），精确率（pre），F1值
Mr_Suda的博客
12-19 4万+
这几天在看有关ABSA论文的代码，而代码跑出来的结果除了有输出loss的值以外还有一个acc的值和一个F1的值。查看了网上对于一些博客以后，对于模型的这三个评价指标有了一个新的认识，因此在这里我写出了自己的认识。 1.混淆矩阵 提到召回率，准确率，精确率和F1值，我就不得不提一下什么叫做混淆矩阵。 混淆矩阵说简单一点就是一个矩阵。一个什么样的矩阵呢？一个关于预测值和真实值得一个矩阵。 （Tips：为了方便理解，下面会以一个二分类问题作为讲解） 这个句子的情感是不是积极的 实际值（1：积极，0
如何解释准确率、精确率与召回率？
PingBryant的博客
04-10 3万+
对于二分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。 首先有关TP、TN、FP、FN的概念。TP与TN都是机器（预测）分类分对了的情况，TP是预测为正类且预测正确，TN是预测为负类且预测正确。FP与FN都是机器（预测）分类分错了的情况，FP是把实际负类分类（预测）成了正类，而FN则是把实际正类分类（预测）成了负类。（T则代表分类正确，F代表分类错误；P代表全体类中实际正类，N代表全体类中实际负类。） 【举例】一个班里有男女生，我们来进行分类，把女生看成正类，男生
黑色素瘤癌症图像数据集 JPG（13900 张高分辨率图）
02-22
常见的评估指标包括精度、召回率、F1分数以及AUC-ROC曲线，这些可以帮助分析模型在正负样本识别上的平衡性。 总的来说，"黑色素瘤癌症图像数据集 JPG（13900 张高分辨率图）"是推动医疗图像识别领域发展的重要工具...
Bosch 流水线降低次品率数据【Kaggle竞赛】.zip
06-25
7. **模型评估**：使用准确率、精确率、召回率、F1分数、AUC-ROC曲线等指标来评估模型性能。对于不平衡的数据集，可能还需要关注查准率和查全率。 8. **模型部署与监控**：一旦模型训练完成并通过验证，需要将其...
混淆矩阵、准确率、精确率、召回率、F值、ROC曲线、AUC、PR曲线-Sklearn.metrics评估方法 - 简书.mhtml
11-01
混淆矩阵、准确率、精确率、召回率、F值、ROC曲线、AUC、PR曲线-Sklearn.metrics评估方法 - 简书.mhtml
准确率（Precision查准率）召回率（Recall查全率）和F-Meansure、mAP
yaoweijiao的博客
04-11 1万+
一、准确率、召回率、F1 一句话解释：一般来说，Precision 就是检索出来的条目中（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。 1、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
准确率、精确率、召回率、F1值、ROC/AUC整理笔记
学习容易上瘾
07-09 13万+
对于二分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。 一、TP、TN、FP、FN概念 首先有关TP、TN、FP、FN的概念。大体来看，TP与TN都是分对了情况，TP是正类，TN是负类。则推断出，FP是把错的分成了对的，而FN则是把对的分成了错的。（我的记忆方法：首先看第一个字母是T则代表分类正确，反之分类错误；然后看P，在T中则是正类，若在F中则实际为...
什么是精确率Precision和召回率Recall？
weixin_43918046的博客
05-27 1724
二分类任务中只有正样本和负样本，即标签为1或0。而我们模型的目标就是尽可能去把所有的正样本的都准确的找出来，于是涉及到精确率Precision和召回率Recall。计算召回率：真实的正样本数目为3，而模型预测为准确的正样本数目为2，也就是3条有2条被找出来了，召回率=2/3。计算精确率：预测为正样本的数目为5，但其中只有2条是真的正样本，也就是只有2条被成功预测正确了，精确率=2/5。精确率Precision：指模型预测为正样本的数据中有多少是真的正样本。有10条数据，3条正样本，7条负样本。
通俗解释机器学习中的召回率、精确率、准确率
Java开发，人工智能，边缘计算，致力于掌握前沿技术
02-20 1万+
网络上很多地方分不清准确率和精确率，在这里先正确区分一下精确率和准确率，以及他们的别称。 提升精确率是为了不错报、提升召回率是为了不漏报
准确率、召回率、F1分数、AUC、MSE
05-30
准确率（Accuracy）：指分类正确的样本数占总样本数的比例，可以反映模型分类的准确程度，计算公式为：准确率=分类正确的样本数/总样本数。 召回率（Recall）：指分类正确的正样本数占所有正样本数的比例，可以反映模型对正样本的识别能力，计算公式为：召回率=分类正确的正样本数/所有正样本数。 F1分数（F1-score）：综合考虑准确率和召回率，是准确率和召回率的调和平均数，计算公式为：F1分数=2*准确率*召回率/(准确率+召回率)。 AUC（Area Under Curve）：是ROC曲线下的面积，ROC曲线是以假正例率（False Positive Rate）为横轴，真正例率（True Positive Rate）为纵轴绘制的曲线，AUC反映了模型在不同阈值下分类性能的平均水平，AUC越大，模型性能越好。 MSE（Mean Squared Error）：是回归问题中常用的评估指标，表示预测值和真实值之间的平均方差，计算公式为：MSE=1/n * ∑(yi-y^i)^2，其中yi为真实值，y^i为预测值，n为样本数。
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

I松风水月

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