准确率、精准率、召回率

最新推荐文章于 2024-09-27 21:24:26 发布
最新推荐文章于 2024-09-27 21:24:26 发布
阅读量3k 收藏 6
点赞数
分类专栏： python 文章标签： 深度学习
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_44186052/article/details/123669445
版权

参考：准确率、精确率、召回率 - 知乎

以一个二分类系统来讲，通常情况下我们会将数据分为两类：正确（T），错误（F）

,但是在我们实际操作的运行模型的结果中会出现四种不同的分类结果

P(positive)N(Nagitive)

(声明：这里所用的符号标记与所引用的链接有所不同)

TP：本身是正类，结果划分是正类

TN：本身是正类，结果划分为负类

FP：本身是负类，结果划分为正类

FN: 本身是负类，结果划分为负类

1.准确率：所有正确的分类的比重

Accuracy=（TP+FN）/（TP+TN+FN+FP）

2. 查准率： 正类且被预测也是正类的比率 占 所有预测为正类的占比

Precision = TP/（TP+FP）

3. 召回率Recall:  预测的正确的正类 占 实际为正类的占比

Recall = TP / （TP+TN）

*******

一般来说精准率和召回率是负相关的

解析：TP和TN是相互影响的，TP是正类预测也是这个类，如果这个TP的值越大，TN的值肯定是下降的。根据查准率和召回率的公式，TP越大，查准率越高，但是召回率就不一定了。

我们用F-score 来描述两者的关系：

 论文用到的P-R曲线就是两者之间的关系曲线

  • β如果取1,表示Precision与Recall一样重要
  • β如果取小于1,表示Precision比Recall重要
  • β如果取大于1,表示Recall比Precision重要
小蔡是小菜
关注
专栏目录
准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 4万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
推荐算法的准确率、精准度、召回率、F1值
LDC，公众号【轻松学编程】
05-18 650
推荐算法的准确率、精准度、召回率、F1值
快速理解性能度量之精确率(查准率)和召回率(查全率)
xiufan1的博客
11-20 388
两分钟理解查准和查全
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 1595
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
机器学习算法衡量指标——准确率、精确率（查准率）、召回率（查全率）
HunGRy_FOOliSHhh的博客
01-08 4240
机器学习算法衡量指标 在分类问题中，将机器学习模型的预测与实际情况进行比对后，结果可以分为四种：TP、TN、FN、FP。每个的第一个字母：T/F，代表预测结果是否符合事实，模型猜得对不对，True or False。 每个的第二个字母：N/P，代表预测的结果，是Negative，还是Positive。因为对于分类问题，机器学习模型只会输出正类和负类两种预测结果。 具体来说： 结果 描述 TP True Positive，预测结果为正类，且与事实相符，即事实为正类。 TN True Neg
查准率（precision，也叫精确率）和查全率（recall，也叫召回率）
npk191954的专栏
09-25 3841
比如极端情况下，我们只搜索出了一个结果，且是精确的，那么Precision就是100%，但是Recall就很低；一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是精确的，Recall就是所有精确的条目有多少被检索出来了。3. F值 = 精确率 * 召回率 * 2 / (精确率 + 召回率) （F 值即为精确率和召回率的调和平均值）精确率、召回率和 F 值是在鱼龙混杂的环境中，选出目标的重要评价指标。召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的。
查准率（precision）和召回率（recall）
weixin_30908649的博客
05-04 516
1、定义 查准率(precision)：预测患有癌症且预测正确的人数 / 预测有多少人患有癌症 召回率（recall）：预测患有癌症且预测正确的人数 / 实际有多少人患有癌症 2、关系 他俩的关系如下： 3、F值 F值又称F1值，定义如下，若有P或者R=0时，则F=0，该算法较差。F值越高越好。 例子： 转载于:https://www.cnblogs.com/pji...
准确率、精准率和召回率的理解
热门推荐
L.Z.的博客
09-29 7万+
            我们在在分类任务时，经常会对模型结果进行评估。评估模型好坏的指标有AUC、KS值等等。这些指标是通过预测概率进行计算的。而准确率、精准率和召回率也通过混淆矩阵计算出来的。下图是对混淆矩阵的介绍：     其中， TP：样本为正，预测结果为正； FP：样本为负，预测结果为正； TN：样本为负，预测结果为负； FN：样本为正，预测结果为负。 准确率、精准率和...
Pytorch 计算误判率,计算准确率,计算召回率的例子
09-18
在机器学习和深度学习中，评估模型性能的关键指标包括误判率、准确率和召回率。PyTorch 是一个流行的深度学习框架，它提供了一种灵活的方式来计算这些指标。以下是对这些概念的详细解释。 **准确率(Accuracy)**： ...
算法评价指标：准确率+精准率+召回率
十年磨一剑，沉淀……
12-31 6958
评价指标： (1)(True Postive TP): 若一个实例是正类，但是被预测成为正类，即为真正类 (2)(True Negative TN): 若一个实例是负类，但是被预测成为负类，即为真负类 (3)(False Postive FP): 若一个实例是负类，但是被预测成为正类，即为假正类 (4)(False Negative FN: 若一个实例是正类，但是被预测成为负类，即为假负类...
机器学习——查准率和召回率
wzw的博客
08-13 379
精准率，召回率，auc
MusicDancing的博客
02-18 947
1. 混淆矩阵 真实情况 预测结果 正例 反例 正例 TP(真正例) FN(假反例) 反例 FP(假正例) TN(真反例) 精准率P （Percision 查准率） 召回率R （Recall 查全率） ...
评估指标（一）| 准确率、精确率、召回率
weixin_46390472的博客
02-12 2305
本文章将要探讨的是机器学习里分类问题中常用的准确率、精确率和召回率这三种评估指标。
准确率,精确率,召回率
konstantin的博客
03-02 252
准确率(accuracy),精确率(precision),召回率(recall) 准确率,分类正确占所有分类的占比 精确率,正确检索占所有实际检索到的占比 召回率,预测的样本占该类应该被预测的数量的占比 ...
量化数值评估，查准率和召回率
hnlg311709000526的博客
06-25 1012
我们想知道通过采取一个方法，是否使得误差变小。如果有一个量化的数值评估，通过这个数字的大小，我们可以得到误差变大了还是变小了。在这里，推荐大家在交叉验证集上实现误差分析，而不是在测试集上。 那么怎么选择一个量化数值评估，也就是合适的误差度量值。 例如我们希望用算法来预测癌症是否是恶性的，在我们的训练集中，只有0.5%的实例是恶性肿瘤。假设我们编写一个非学习而来的算法，在所有情况下都预测肿瘤是良性的，那么误差只有0.5%。然而我们通过训练而得到的神经网络算法却有1%的误差。这时，误差的大小是不能视为评判算
查准率与召回率（查全率）
july_2的专栏
03-18 1473
－系统检索到的相关文档（Ａ） - 系统检索到的不相关文档（Ｂ） - 相关但是系统没有检索到的文档（Ｃ） - 相关但是系统没检索到的文档（Ｄ） 召回率Ｒ：用检索到相关文档数作为分子，所有相关文档总数作为分母，即 R=A/(A+C) 精度Ｐ： 用检索到相关文档数作为分子，所有检索到的文档总数作为分母．即  P=A/(A+B). 下面举例说明召回率和精度之
准确率，精确率，召回率
m0_60360632的博客
11-24 721
在机器学习，深度学习等领域中。评估（Evaluation）是一个必要的工作，而评估的指标就是精确率（Accuracy），精确率（precision），召回率（recall） 准确率（Accuracy）： 对于给定的测试集，分类器正确分类的数量和总数之比。 例如，一个班一共有100个人，80个男生，20个女生。现有小明要对这100个人进行分类，他将分成了50个男生，50个女生（男生全对），所以小明将30个男生判错为女生，其他70个人判断正确。则准确率（Accuracy）为70/100=0.7 ...
准确率、精确率、召回率
qq_42251157的博客
05-14 250
准确率：预测正确的占总的比重，但是类别不平衡时它就不是很好的衡量指标，失去了意义 精确率 也叫查准率，正确预测为正的占全部预测为正的比例，宁愿漏检，也不让现有的预测结果有错，即让现有模型的预测结果尽可能不出错 召回率 也叫查全率，即正确预测为正的占全部实际为正的比例 P 正确预测为正占全部预测为正，正确预测为正占全部预测为正，正确预测为正占全部预测为正 R 正确预测为正占全部实际为正，正确预测为正占全部实际为正，正确预测为正占全部实际为正 F1 score ...
解释准确率，精准率，召回率
07-28
准确率（Accuracy）是用于评估分类模型性能的指标，表示模型正确预测的样本比例。它计算方式为：正确预测的...在处理不平衡数据集时，准确率可能会受到样本分布不均衡的影响，而精准率和召回率能够提供更全面的评估。
评论 1
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