关于机器学习评价指标AUC，召回率，准确率（ACC），MRR的白话讲解

最新推荐文章于 2024-08-13 20:34:17 发布
最新推荐文章于 2024-08-13 20:34:17 发布
阅读量1.1w 收藏 12
点赞数 3
分类专栏： 机器学习日志 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_41686130/article/details/83185196
版权
本文详细解释了机器学习中的几个关键评价指标：准确率（ACC）是分类正确的记录占比；AUC（ROC曲线下方的面积）越大，分类器效果越好；召回率（TPR）表示实际正例被正确预测的比例；MRR则评估搜索算法的性能，首个正确结果的权重最高。理解这些指标有助于优化模型性能。
摘要由CSDN通过智能技术生成

准确率（ACC）

指在分类中，使用测试集对模型进行分类，分类正确的记录个数占总记录个数的比例，计算公式如下所示：

{\rm{Acc}}uracy = \frac{​{​{n_{correct}}}}{​{​{n_{tatal}}}}

其中，\[{​{n_{correct}}}\]代表分类正确的记录个数，\[{​{n_{tatal}}}\]代表全部测试数据的个数

 

ROC

最低0.47元/天 解锁文章
Halosec_Wei
关注
专栏目录
python：评估分类模型性能的常用指标（acc、auc、roc）
养乐多的博客
05-03 3671
本文记录了评估分类模型性能的常用指标ACC、AUC、ROC曲线的计算方法和代码。代码使用python实现。
预测任务评价指标acc,auc
virus111222的博客
03-08 4445
1、分别表示什么TP（true positive）：表示样本的真实类别为正，最后预测得到的结果也为正；FP（false positive）：表示样本的真实类别为负，最后预测得到的结果却为正；FN（false negative）：表示样本的真实类别为正，最后预测得到的结果却为负；TN（true negative）：表示样本的真实类别为负，最后预测得到的结果也为负.
如何通俗理解准确率、精确率、召回率、F1score、AUC、ROC
最新发布
An_oak的博客
08-13 1239
本文我会用最通俗的语言帮助大家快速理解并记住准确率、精确率、召回率、F1score，AUC、ROC以及特异度。这些指标其实乍一看能知道都是什么，但是一用起来记不住定义。
白话详解ROC&AUC | 小白深度学习入门
YeJuliaLi的博客
09-27 1535
搞机器学习的人一定频繁的听到ROC，AUC或者AUC-ROC，但这个概念又不向准确率召回率那么直观容易理解，给我带来了小小的困扰，这里就系统的学习下这两个概念。ROCRO...
排序算法常用评价指标计算方式（AUC,MAP,NDCG,MRR）
热门推荐
weixin_38405636的博客
06-13 2万+
现在的排序评估指标主要包括MAP、NDCG和AUC三个指标。NDCG考虑多指标，MAP和AUC考虑单个指标。1.AUC  最直观的，根据AUC这个名称，我们知道，计算出ROC曲线下面的面积，就是AUC的值。事实上，这也是在早期 Machine Learning文献中常见的AUC计算方法。由于我们的测试样本是有限的。我们得到的AUC曲线必然是一个阶梯状的。因此，计算的AUC也就是这些阶梯 下...
分类任务，回归任务以及排序任务指标评估汇总：F1分值，ROC，AUC，MAE, MSE，MRR, NDCG，RC
BGoodHabit的博客
08-29 3214
分类任务，回归任务，排序任务常见评估指标: ROC, AUC, NDCG, RC等
算法衡量auc_排序算法常用评价指标计算方式（AUC,MAP,NDCG,MRR）
weixin_34640844的博客
12-24 931
现在的排序评估指标主要包括MAP、NDCG和AUC三个指标。NDCG考虑多指标，MAP和AUC考虑单个指标。1.AUC最直观的，根据AUC这个名称，我们知道，计算出ROC曲线下面的面积，就是AUC的值。事实上，这也是在早期 Machine Learning文献中常见的AUC计算方法。由于我们的测试样本是有限的。我们得到的AUC曲线必然是一个阶梯状的。因此，计算的AUC也就是这些阶梯 下面的面积之和...
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
机器学习01-详细阐述Auc,Roc
qq_31766023的博客
01-11 397
混淆矩阵中准确率，精准率，召回率区别https://blog.csdn.net/abc_xian/article/details/106908517 刚才分析的是二分类问题，那么对于多分类问题，混淆矩阵表示的含义也基本相同，这里我们以三类问题为例，看看如何根据混淆矩阵计算各指标值。 多分类混淆矩阵 与二分类混淆矩阵一样，矩阵行数据相加是真实值类别数，列数据相加是分类后的类别数，那么相应的就有以下计算公式; 精确率_类别1=a/(a+d+g)召回率_类别1=a/(a+b+c) 假设下图红..
推荐系统常用评价指标(recall,MAP,MRR,NDCG,F1,ROC等)
Marcus-Bao的个人主页
03-05 7613
这里主要总结一下推荐系统当中常见的一些评价指标,主要包括: MAE,RMSE,recall,precision,MAP,MRR,NDCG等 MAE(Mean Average Error,平均绝对误差) 表示预测值和实际值之间的绝对误差的平均值. ##RMSE(Root Mean Square Error,均方根误差) 均方根误差是用来衡量观测值同真实值之间的偏差,RMSE越小越好. ##Reca...
机器学习-推荐系统--排序篇1
05-05
在这个阶段，常常采用机器学习模型，如深度学习模型，来预测每个物品对用户的点击概率或评分，然后根据这些预测值进行排序。 在评估排序算法的性能时，常见的指标有AUC（Area Under the ROC Curve）、MAP（Mean ...
排序(ranker)模型里面常用的评价指标梳理
Miracle8070
07-30 6197
1. 写在前面 最近的任务需要用到排序性的模型了，也就是LearningToRank的排序算法，关于这种排序算法， 预测的目标并不是点击或者不点击这样的二分类问题， 而是一个列表的整体排列顺序，是一种list-wise的方法，有时候更加符合推荐的场景。之前也整理过一篇文章, 具体的可以参考。 说到排序结果， 必然需要有指标用于评价排序结果的好坏，所以这篇文章的话主要是整理排序里面用到的常用评价指标，比如我们常听到的MRR(Mean Reciprocal Rank), MAP(Mean Average Pre
机器学习性能评估指标（精确率、召回率、ROC、AUC）
北冥有小鱼
07-18 586
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对的。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)。 P = TP/(TP+FP) 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)。 ...
AUC、ROC、ACC区别
Jessica__Chan的博客
02-25 2755
很多时候我们都用到ROC（receiver operating characteristic curve，受试者工作特征曲线）和AUC(Area Under Curve,被定义为ROC曲线下的面积)来评判一个二值分类器的优劣，其实AUC跟ROC息息相关，AUC就是ROC曲线下部分的面积，所以需要首先知道什么是ROC，ROC怎么得来的。然后我们要知道一般分类器会有个准确率ACC，那么既然有了ACC，...
模型测试集上准确率(ACC)、精确率precision、召回率recall、AUC评估指标计算
weixin_42357472的博客
04-01 1万+
TP: 预测为正，实际为正 TN: 预测为负，实际为负 FP:预测为正，实际为负 FN: 预测为负，实际为正 准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) 精确率(precision) = TP/(TP+FP) 召回率(recall) = TP/(TP+FN) f-score = 精确率 * 召回率 * 2 / (精确率 + 召回率) ——————准确率、auc比较常用————————— ACC 准确率 acc计算要y_predict预测结果为整数int.
深度学习指标：准确率acc，精确率precision，召回率recall，f1-score的通俗解释
qq_33328642的博客
11-04 2万+
TP: 将正类预测为正类数 FN: 将正类预测为负类数 FP: 将负类预测为正类数 TN: 将负类预测为负类数 准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) 精确率(precision) = TP/(TP+FP) 召回率(recall) = TP/(TP+FN) f-score = 精确率 * 召回率 * 2 / (精确率 + 召回率) 举个例子 最近正好做 男女儿童的分类，举个具体的例子解释一下： 假设 儿童5w, 识别成儿童的有4w， 识别成other
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 6964
本文旨在说明其他机器学习模型的评价指标。
AUC、ACC、F1、准确率、召回率
qq_44783689的博客
12-01 1万+
准确率 - accuracy 精确率 - precision 召回率 - recall F1值 - F1-score ROC曲线下面积 - ROC-AUC （area under curve） PR曲线下面积 - PR-AUC 1 、auc AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价
评论 5
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