- 定义:
acc=predict_right_num/predict_num (准确率)
P=真正预测准确的数量/预测是准确的数量 (精确率)
R=真正预测准确的数量/所有真正好的数量 (召回率)
F值是:F(k) = ( 1 + k ) * P * R / ( ( k*k ) * P + R )
注释:k>0 度量了 查全率 对 查准率 的相对重要性。k>1查全率有更大影响;k<1查准率有更大影响。
F(1) = 2 * P * R / ( P + R )(P,R表示一样重要)
理想情况下,精确率和召回率两者都越高越好。然而事实上这两者在某些情况下是矛盾的,精确率高时,召回率往往比较低;精确率低时,召回率往往比较高。 - 适用场景:
acc虽然常用,但不能满足所有任务的需求。以预测香蕉好坏为例:
P 精确率就是我预测的结果中真正好的香蕉要越多越好
R 召回率是所有的好的香蕉预测出来的越多越好)
注:以上P准确率不是越高越好,你还要考虑R召回率,即所有香蕉中有多少个好的,所有有了F1指标
精确率和召回率是二分类指标,不适用多分类。
准确率和错误率适用于多分类评估。(可以将多分类问题转换为二分类问题进行求解,将关注的类化为一类,其他所有类化为一类)。 - 原因:
准确率(Accuracy)是分类问题中最常用的评价指标之一,它衡量的是模型预测正确的比例。准确率计算公式为:正确分类的样本数 / 总样本数。对于多分类问题,准确率可以反映模型在各个类别上的预测能力,因此适合用于多分类问题。
F1 分数(F1-Score)是衡量二分类问题中模型精确度和召回率的综合指标。F1 分数的计算公式为:2 * 精确度 * 召回率 / (精确度 + 召回率)。对于二分类问题,F1 分数可以平衡模型对正负样本的预测能力,因此适合用于二分类问题。
深度学习:详谈P(查准率,准确率,Precision),R(查全率,召回率,Recall),F1值
于 2023-09-18 19:58:53 首次发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)