分类问题的评价指标（Precision、Recall、Accuracy、F1-Score、Micro-F1、Macro-F1）以及混淆矩阵、ROC曲线

已于 2022-05-17 00:50:09 修改
阅读量1w 收藏 108
点赞数 18
分类专栏： 机器学习 Python学习 学习笔记 文章标签： 机器学习 scikit-learn 经验分享 其他
于 2022-05-11 19:45:05 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_44901949/article/details/124708810
版权
本文详细介绍了分类问题中的关键评价指标，包括真阳性、假阳性和假阴性等基本概念，以及精确率、召回率、准确率和F1-Score的计算与理解。此外，还探讨了宏平均 Macro-F1、微平均 Micro-F1和加权平均在多类别分类中的应用，以及混淆矩阵和ROC曲线在评估模型性能中的作用。通过实例和解释，帮助读者深入理解这些评价指标的含义和重要性。
摘要由CSDN通过智能技术生成

文章目录

一、四个基本概念 TP、FP、TN、FN

真阳性：预测为正，实际为正。把正样本成功预测为正。 TP——True Positive
假阳性：预测为正，实际为负。把负样本错误预测为正。 FP——False Positive  ——>误报
真阴性：预测为负、实际为负。把负样本成功预测为负。 TN——True Negative
假阴性：预测与负、实际为正。把正样本错误预测为负。 FN——False Negative  ——>漏报
注：一致判真假，预测判阴阳
在这里插入图片描述
1、真阳性：指预测正确，是哪个类就被分到哪个类。对A而言，TP个数为 2；对B而言，TP个数为 2；对C而言，TP个数为 1。

2、假阳性：就是指预测为某个类，但是实际上不是。对A而言，FP个数为 0；对B而言，FP个数为 2；对C而言，FP个数为 2。（因为"3"和"8"都不是B类，但却分给了B，所以为假阳性）

3、假阴性：对A而言，FN个数为 2；对B而言，FN个数为 1；对C而言，FN个数为 1。（因为"3"和"4"分别预测为B和C，但是实际是A，也就是预测为负，实际为正）
在这里插入图片描述

二、精确率（precision）、召回率（recall）、准确率（accuracy）

1、精确率（查准率）：计算预测出来的某类样本中，有多少是被正确预测的。即表示的是预测为正的样本中有多少是真正的正样本。针对预测样本而言。

2、召回率（查全率）：有多少样本被正确的预测出来了，即该类样本有多少被找出来（召回了多少）。即表示的是样本中的正例有多少被预测正确了。针对原先实际样本而言。

3、准确率：正类和负类预测准确的比例。在正例较少负例较多的不平衡分类问题（疾病；恐怖分子）中，存在着如果把所有数据全部预测为负例，准确率依然会很高的问题，所以引入召回率。
  根据多分类结果，可以根据样本的预测结果是否正确来形成混淆矩阵。
在这里插入图片描述
（1）加权准确率（Weighted Accuracy，WA）
在这里插入图片描述
（2）非加权准确率（Unweighted Accuracy，UA）
在这里插入图片描述

精确率

最低0.47元/天 解锁文章
少年龙龙
关注
  • 18
    点赞
  • 踩
  • 108
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
专栏目录
【模型评估】Python混淆矩阵、FP、FN、TP、TN、ROC、FROC、mAP、Precision、Recall、Accuracy、F1 score详述与实现
钱多多先森
08-14 4万+
深度学习中，模型评估常用的指标、实现算法汇总。后续还会有几个章节，对其中的各个小点进行详述
多分类f1分数_分类模型的F1-score、Precision和Recall 计算过程
weixin_39754603的博客
12-28 3378
分类模型的F1分值、Precision和Recall 计算过程引入通常，我们在评价classifier的性能时使用的是accuracy考虑在多类分类的背景下accuracy = (分类正确的样本个数) / (分类的所有样本个数)这样做其实看上去也挺不错的，不过可能会出现一个很严重的问题：例如某一个不透明的袋子里面装了1000台手机，其中有600台iphone6, 300台galaxy s6, 50...
分类问题中的各种评价指标——precision，recall，F1-score，macro-F1，micro-F1
u011412768的博客
10-13 1万+
目录 一、二分类评价指标 1、真实标签-预测标签的混淆矩阵 2、accuracy 3、precision、recall和F1-score 4、指标的选择问题 二、多分类评价指标 1、macro-F1 2、weight-F1 3、micro-F1 4、指标的选择问题 注：这篇文章只是对常用的分类问题中的评价指标的总结。 一、二分类评价指标 1、真实标签-预测标签的混淆矩阵 样本被预测为正 样本被预测为负 实际样本为正 TP（true positive） .
分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）
热门推荐
THEAQING
05-10 12万+
四个基本概念 TP、True Positive 真阳性：预测为正，实际也为正 FP、False Positive 假阳性：预测为正，实际为负 FN、False Negative 假阴性：预测与负、实际为正 TN、True Negative 真阴性：预测为负、实际也为负。 【一致判真假，预测判阴阳。】 以分类问题为例：（word公式为什么粘不过来？？头疼。）...
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 4149
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。
Accuracy, Precision, Recall和F1-score解释
m0_55281984的博客
04-04 3345
本文解释常用评价指标Accuracy, Precision, Recall和F1-score 主要参考以下文章 多分类模型Accuracy, Precision, Recall和F1-score的超级无敌深入探讨 1.主要解决数据集中不平衡的问题
python程序题求roc-auc是一种常用的模型评价指标_常用的评价指标：accuracy、precision、recall、f1-score、ROC-AUC、PR-AUC...
weixin_30365817的博客
02-04 557
准确率(Accuracy) $$accuracy=\frac{tp+tn}{tp+fp+tn+fn}$$ accuracy是最常见也是最基本的评价指标。但是，在二分类且正负样本不平衡的情况下，尤其是对于较少数样本类感兴趣时，accuracy基本无参考价值。如欺诈检测、癌症检测等，100个样例中，99个负例，1个正例。模型将任意样本都分为负例，accuracy值为0.99。但是，拿这个模型去检测新样...
机器学习分类器的评价指标--混淆矩阵，F1-score，ROC曲线，AUC，KS曲线
aa_JamesJones的博客
10-03 3281
1. 混淆矩阵---确定截断点后，评价学习器性能 TP（实际为正预测为正），FP（实际为负但预测为正），FN（实际为正但预测为负），TN（实际为负预测为负） 通过混淆矩阵我们可以给出各指标的值： 查全率（召回率，Recall）：样本中的正例有多少被预测准确了，衡量的是查全率，预测对的正例数占真正的正例数的比率： 查全率 = TP / (TP+FN) 查准率（精准率，Precision...
机器学习分类问题指标——Accuracy，Precision、Recall、F1，P-R，ROC，AUC（以鸢尾花为例）
小哈里的博客
11-04 1936
F1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。在P-R曲线中，横坐标是recall，纵坐标是precision。AUC 即ROC曲线下的面积。那么以维吉尼亚鸢尾为例。ROC和AUC的用处。
算法模型评价详解：confusion matrix Accuracy Precision Recall F1 调和平均 加权F1 Micro-F1 Macro-F1 PRC ROC AUC
iin729的博客
01-25 1659
问题定义 我们从简单到难，先定义任务为二分类，后面再推广到多分类就顺水推舟了。问题定义： confusion matrix 模型实际预测结果 预测为Positive的样本数 预测为Negative的样本数 待预测样本的真实标签总数 P:Positive TP:True Positive FN:FalseNegative N:Negative FP:False Positive TN:True Negative ...
在keras里面实现计算f1-score的代码
09-16
在Keras中，F1分数（F1-score）是一种常用的评价指标，特别是在二分类和多分类任务中，它综合考虑了模型的精确度（precision）和召回率（recall）。F1分数是精确度和召回率的调和平均值，可以更全面地反映模型的性能...
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...
acc.m.zip_ACC图像分割_F1-score_Score!_acc.m_图像召回率
09-23
"F1-score"是衡量分类性能的一种常用指标，特别是在二分类问题中。它综合考虑了 precision（精确率）和 recall（召回率）。精确率是正确预测为正类的比例，而召回率则是所有实际正类中被正确识别的比例。F1-score是...
PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc
07-15
这些概念是理解和优化模型不可或缺的部分，主要包括混淆矩阵、精确率（Precision）、召回率（Recall）、精确率-召回率曲线（Precision-Recall Curve）以及ROC曲线（Receiver Operating Characteristic Curve）。...
机器学习基础概念：查准率、查全率、ROC、混淆矩阵、F1-Score 机器学习实战：分类器
12-21
本文将深入探讨几个关键概念：查准率（Precision）、查全率（Recall）、ROC曲线、混淆矩阵以及F1-Score，这些都是衡量分类器效能的重要指标。 查准率和查全率是评价二分类问题中模型性能的两个基本指标。查准率...
Matplotlib绘图颜色
少年龙龙的博客
05-12 3万+
文章目录一、基本颜色二、颜色对照表三、渐变色四、混色五、颜色与十六进制对应 一、基本颜色 r——red b——blue c——cyan g——green k——black w——white y——yellow m——magenta 二、颜色对照表 三、渐变色 1、sequential colormaps   该系列大多数都是在某种单一颜色的基础上，通过改变色彩的饱和度而形成的渐变色，适用于数值分布线性分布的情况，绝大多数情况下，该系列的渐变色可以作为首选。该系列又细分为以下3类： 2、divergi
Matplotlib绘图——柱状图（一列，多列）并在柱子上显示数值
少年龙龙的博客
05-23 2万+
文章目录1、导入包2、一列柱状图3、多列柱状图 1、导入包 import warnings warnings.filterwarnings('ignore') import numpy as np import matplotlib.pyplot as plt from matplotlib import rcParams # 设置全局字体及大小，设置公式字体 config = { "font.family":'serif', # 衬线字体 "font.size": 12
机器视觉与图像处理知识点总结
少年龙龙的博客
05-20 5862
图像灰度均值是对平均灰度的一种度量，反映了图像的亮度，均值越大说明图像亮度越大，反之越小。图像灰度方差反映了图像像素值与均值的离散程度，标准差越大说明图像的质量越好。方差是对平均对比度的度量，每个像素点颜色相差越大，方差越大，观感上整幅图的对比度越大。如果图片看起来灰蒙蒙的，那方差就小；如果看起来很鲜艳，对比度很大，那方差就大。把电视机的亮度调高了，那均值就变大，但方差没变；把对比度调高了，那均值没变，但方差变大。 采样间隔值越小，空间分辨率（图像中可分辨的最小细节）越高，图像质量越好，图像数据量越大。（.
二分类评价指标sklearn
10-16
二分类评价指标是用来评估二分类模型性能的指标，常见的有准确率、精确率、召回率、F1值等。在sklearn中，可以使用`classification_report`函数来输出这些指标的值。具体使用方法如下： ```python from sklearn.metrics import classification_report y_true = [0, 1, 0, 1, 0, 1] y_pred = [0, 1, 1, 1, 0, 0] target_names = ['class 0', 'class 1'] print(classification_report(y_true, y_pred, target_names=target_names)) ``` 输出结果如下： ``` precision recall f1-score support class 0 0.67 1.00 0.80 4 class 1 1.00 0.50 0.67 4 accuracy 0.75 8 macro avg 0.83 0.75 0.73 8 weighted avg 0.83 0.75 0.73 8 ``` 其中，precision表示精确率，recall表示召回率，f1-score表示F1值，support表示样本数量，accuracy表示准确率。
评论 4
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

少年龙龙

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