precision、recall、f1score的计算

已于 2022-09-27 17:03:49 修改
阅读量2k 收藏 4
点赞数
于 2022-09-17 10:02:05 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_41537900/article/details/126901207
版权

python计算precision、recall、f1score

一、介绍TP、TN、FP、FN

二分类中，假设只有正类（1）和负类（0）两个类别，True（1）和False（0）分别表示对和错；Positive（1）和Negative（0）表示预测为正类和负类。

TP：预测为Positive并且对了（样本为正类且预测为正类）
TN：预测为Negative并且对了（样本为负类且预测为负类）
FP：预测为Positive但是错了（样本为负类但预测为正类）
FN：预测为Negative但是错了（样本正类但预测为负类）
在这里插入图片描述

二、介绍precision、recall、f1score

TP+FP: 预测为Positive并且对了+预测为Positive但是错了=预测为Positive的样本总数
所以，precision表示为：被正确预测的Positive样本 / 被预测为Positive的样本总数
在这里插入图片描述

TP+FN： 预测为Positive并且对了+预测为Negative但是错了=实际为Positive的样本总数
所以，recall表示为：被正确预测的Positive样本 / 实际为Positive的样本总数
在这里插入图片描述

f1score是调和平均值，precision和recall只要一个比较小的话，f1score的值也会被拉下来：
在这里插入图片描述

三、python调用sklearn包实现

from sklearn.metrics import precision_score, recall_score, f1_score

y_true = [0, 1, 0, 1, 0, 1]

y_pred = [0, 0, 0, 1, 0, 1]

print('binary------------')
print("precision: {}".format(precision_score(y_true, y_pred, average='binary')))
print("recall: {}".format(recall_score(y_true, y_pred, average='binary')))
print("f1: {}".format(f1_score(y_true, y_pred, average='binary')))

运行结果：
运行结果：

Jxbs
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
f1 score 代码_机器学习中的F1-score
weixin_39796868的博客
12-19 2858
一、什么是F1-scoreF1分数(F1-score)是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为：G分数是另一种统一精确...
在keras里面实现计算f1-score的代码
09-16
这里使用了`sklearn.metrics`库中的`confusion_matrix`、`f1_score`、`precision_score`和`recall_score`函数来计算这些指标。`val_predict`存储了预测值，`val_targ`是对应的验证数据的真实标签。计算得到的指标被...
F1分数（F1-Score）
weixin_44299786的博客
09-22 7983
精确率（Precision）是指分类器正确预测为正例的样本数量（True Positives，TP）与所有被分类为正例的样本数量（True Positives + False Positives，TP + FP）的比值。召回率（Recall）是指分类器正确预测为正例的样本数量（True Positives，TP）与所有实际正例的样本数量（True Positives + False Negatives，TP + FN）的比值。F1分数是精确率和召回率的调和平均值，用于综合考虑分类器的性能。
详解精确率 (Precision)召回率 (Recall)F1评分 (F1 Score)
最新发布
weixin_53765658的博客
05-29 3911
低召回率，高精确率: 系统过于挑剔，推荐较少的视频，大多数是相关的，但错过了很多相关视频。这导致高精确率但低召回率。高召回率，低精确率: 系统过于宽泛，推荐了很多视频，捕捉了更多的相关视频，但也包括许多不相关的视频。这导致高召回率但低精确率。在这两种情况下，精确率和召回率之间的不平衡导致了低F1评分，突显了需要更好地平衡以实现最佳推荐系统。
机器学习 F1-Score, recall, precision
数据之美的博客
01-26 2754
在机器学习，模式识别中，我们做分类的时候，会用到一些指标来评判算法的优劣，最常用的就是识别率，简单来说，就是  Acc=Npre/Ntotal 这里的 Npre表示预测对的样本数，Ntotal表示测试集总的样本数。 识别率有的时候过于简单， 不能全面反应算法的性能，除了识别率，还有一些常用的指标，就是我们要介绍的  F1-score, recall, precisi
计算F1Score
anmin1992的专栏
03-16 210
计算F1Score predictions = pval < epsilon fp = sum((predictions == 1) & (y == 0)) fn = sum((predictions == 0) & (y == 1)) tp = sum((predictions == 1) & (y == 1)) precision = tp / (tp...
python 预测测试集报告 precision 、recall 、f1-score 、support
11-01 2万+
from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report confusion_matrix(y_test, y_predict) print(classification_report(y_test, y_predict)) preci...
在pytorch 中计算精度、回归率、F1 score等指标的实例
09-18
通常我们会关注几个重要的指标，如精度（Accuracy）、召回率（Recall）和F1分数（F1 Score）。这些指标可以帮助我们理解模型在不同情况下的表现，而不仅仅是依赖于单一的正确率。以下是对这些指标的详细解释，以及...
使用keras实现Precise, Recall, F1-socre方式
09-16
在分类问题中，我们通常会使用一系列评价指标来衡量模型的准确性，其中精确率（Precision）、召回率（Recall）和F1分数（F1-score）是非常重要的三个指标。Keras是一个高级神经网络API，它允许用户方便地构建和训练...
F1得分的具体公式
qlkaicx的博客
02-28 5075
F1得分是精确率（Precision）和召回率（Recall）的调和平均数，常用于评估二分类模型的性能。需要注意的是，F1得分同时考虑了精确率和召回率，因此能够更全面地评估模型的性能。这个公式可以用来计算给定一组预测结果的F1得分，从而评估模型的性能。
计算目标检测二分类结果的Precision,Recall,TP,FP与FN(python)
11-04
输入标注txt文件与预测txt文件路径，计算P、R、TP、FP与FN。txt格式为class、归一化后的矩形框中点x y w h，可调整IOU阈值
python：使用sklearn 计算 precision、recall、F1 score（多分类）
热门推荐
weixin_39450145的博客
03-28 2万+
参考： https://blog.csdn.net/kan2281123066/article/details/103237273 代码：利用sklearn 计算 precision、recall、F1 score https://blog.csdn.net/blythe0107/article/details/75003890代码：sklearn的precision_score, recall_score, f1_score使用 https://blog.csdn.net/Urbanea...
python计算precision，recall，f1-score
Mr.horse的博客
09-24 2918
sklearn.metrics.classification_report(y_true, y_pred, *, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False, zero_division='warn') https://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html
详解分类指标Precision，Recall，F1-Score
酒酿小圆子呀～
07-20 3846
在使用机器学习算法的过程中，我们需要对建立的模型进行评估来辨别模型的优劣，下文中主要介绍常见的几种评估指标。以下指标都是对分类问题的评估指标。在二分类任务中，假设只有正类（1）和负类（0）两个类别，True（1）和False（0）分别表示预测结果对或错；Positive（1）和Negative（0）表示预测为正类或负类。这里：True/False代表判断结果是否正确，Positive/Negative代表预测类别结果。
分类模型的评估指标（1）--Accuracy、Precession、Recall、F1score的计算公式
xianghu_5的博客
05-19 2673
机器学习中的分类器指标
吴恩达机器学习（九）Precision、Recall、F-score、TPR、FPR、TNR、FNR、AUC、Accuracy
今天你学习了吗
09-30 1万+
目录 0. 前言 1. Precision、Recall、F-score（F-measure） 2. TPR、FPR、TNR、FNR、AUC 3. Accuracy 学习完吴恩达老师机器学习课程的机器学习系统设计，简单的做个笔记。文中部分描述属于个人消化后的理解，仅供参考。 如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~ 0. 前言 针对二分类的结果，对模型进...
【模式识别9】python计算目标检测IoU、TP、FP、FN、Precision、Recall指标
weixin_43387635的博客
05-15 1846
本文介绍了用python计算目标检测中的IoU以及TP、FP、FN、precision、recall等指标的方法和原理。 IoU是交并比，表示预测框和真实框之间的重叠程度，用交集面积除以并集面积得到。 TP、TN、FP、FN分别表示真正例、真负例、假正例和假负例，用于评估分类器的正确性。 Precision是预测为正例的样本中的准确率，Recall是预测正确的正例占所有正例的比例，二者需要综合考虑。 AP是Precision-Recall曲线下方的面积，表示分类器在某个类别上的性能，mAP是所有类别的AP值
Accuracy、Precision、Recall、F1score区别
weixin_46669727的博客
11-15 648
Accuracy：被正确预测的样本数占总样本的比值Accuracy=TP+TN/(TP+TN+FP+FN) Precision：预测的正样本中有多少是真正的正样本 Precision=TP/(TP+FP) Recall：样本中的正例有多少被正确预测了 Recall=TP/(TP+FN) F1：F1score=2∗Precision∗Recall/(Precision+Recall) ...
precision recall f1-score support
06-28
precision、recall、f1-score和support是机器学习中常用的评估指标。 其中，precision（精确率）指的是模型预测为正例的样本中，真正为正例的比例；recall（召回率）指的是真正为正例的样本中，被模型预测为正例的...
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