分类性能评价指标——精确率，召回率，F1值详细解释

已于 2022-06-30 22:13:37 修改
阅读量4.3k 收藏 10
点赞数 2
文章标签： 机器学习 算法
于 2022-06-30 22:10:31 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_52464925/article/details/125549192
版权
本文详细介绍了分类性能的评价指标，包括准确率、精确率和召回率。精确率衡量分类结果的正确性，召回率则关注分类的完整性。两者之间存在权衡关系，通常通过F1值来综合评估。F1值是精确率和召回率的调和平均，当精确率和召回率权重相同时，即为F1分数。在实际应用中，如疾病诊断，可能更重视召回率，即使精确率较低也能接受。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

分类性能的评价指标

在这里插入图片描述

准确率

准确率是全部参与分类的文本中，与人工分类结果吻合的文本所占的比例。

即：预测与真实标签相同的比例
A c c u r a c y = T P + T N T P + T N + F P + F N Accuracy=\frac{TP+TN}{TP+TN+FP+FN} Accuracy=TP+TN+FP+FNTP+TN​

精确率

也称为查准率，衡量分类结果的正确性，定义为：正确划分属于某类别的样本数量与实际划分属于该类别的全部样本数量的比值

即：你预测的是对的中，有多少真的是对的
P r e c i s i o

最低0.47元/天 解锁文章
【机器学习】原理+实例， 一文掌握 精确率、召回率与F1分数，再也不迷路。
商务合作 | 面试培训 | 职场规划 ==>主页扫码
03-27 4251
原理+示例，一文掌握 精确率、召回率、F1分数
机器学习中——常见二元分类性能指标（准确率、精确率、召回率、F1值、ROC AUC得分）
RookieWantToFly的博客
05-02 1731
接下来以垃圾信息分类器作为例子说明： 文章目录一、垃圾短信分类器二、二元分类性能指标1. 准确率2. 精准率和召回率3.F1值4.ROC AUC 一、垃圾短信分类器 对于垃圾短信分类器，当分类器将一条短信正确地预测为垃圾短信时为真阳性；当分类器将一条短信正确地预测为非垃圾短信时为真阴性；当非垃圾信息被预测为垃圾信息时为假阳性；当垃圾信息被预测为非垃圾信息时为假阴性； 垃圾信息 非垃圾信息 预测为垃圾信息 真阳性(TP) 假阳性(FP) 预测为非垃圾信息 假阴性(FN) 真阴性(TN)
精确率、召回率、F1 值、ROC、AUC等分类模型评价指标含义与作用详解
weixin_45459911的博客
03-30 1万+
文章目录摘要一、精确率、召回率、F函数、准确率和错误率1、定义2、区别与应用二、ROC曲线、P-R曲线、AUC1、P-R曲线2、ROC曲线3、AUC 摘要 在涉及机器学习领域的分类问题时（尤其是衡量推荐系统性能时），经常会遇到诸如准确率、召回率、ROC、AUC等名词。本文就来详细阐述一下各类评价指数的具体含义和特点。 一、精确率、召回率、F函数、准确率和错误率 1、定义 结合混淆矩阵进行说明 1...
准确率、精确率、召回率、F1值
最新发布
D2460596421的博客
03-22 614
4. F1 = 2 /（1/精准率 + 1/召回率）=（2*精准率*召回率）/ （精准率+召回率）（在我看来是基于真实类别来判别的，所以分母是该类的真是类别全部个数）（在我看来是基于预测结果来判别的，所以分母是预测该类的全部个数）3.召回率 = 对于一类预测正确的个数 / 真正是该类的全部个数。2.精确率 = 对于一类预测正确的个数 / 预测该类的全部个数。1.准确率 = 预测正确个数 / 总样本的个数；由于需要对精准率和召回率的综合，才引出了F1。准确率和召回率都是基于一类进行研究的。
精确率、召回率、F1值
cool-wangtongzhou
06-24 2472
T是True，F是False，P是positive，N是negetive TP ——将正类预测为正类的数量（解释为：预测正确，预测成正类，所以说明原来是个正类） FN ——将正类预测为负类的数量（预测错误，预测成负数，所以说明原来是个正类，其实有那种负负得正的感觉） FP ——将负类预测成正类的数量 TN ——将负类预测成负类的数量一、精确率:就是有多少正类是被分对的 P=TP/(TP+FP),TP+FP是预测出来是正类的总数二、召回率：在实际正类中，有多少正类被模型发现了 R = TP/(TP+FN),T
精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？
LegenDavid's warehouse
01-15 4830
作者：京东白条 链接：https://www.zhihu.com/question/30643044/answer/222274170 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 精确率、召回率、F1、AUC和ROC曲线其实都是评价模型好坏的指标，而且相互之间是有关系的，只是侧重点不同，题主如果理解了各指标的定义就能找出他们的区别与联系，下面就
机器学习评估分类结果——精准率、召回率、F1Score
m0_58700887的博客
06-30 6207
机器学习评估分类结果——混淆矩阵、精准率、召回率、F1Score
4.F1 评分机器学习模型性能的常用的评估指标
qq_37977007的博客
01-24 3727
F1评估指标的内容
中文分词评价指标——正确率、召回率和F1
u012297539的博客
12-29 1万+
中文分词评价指标——正确率、召回率和F1 在机器学习中的模型评价指标有准确率（precision）召回率（recall）准确率（Accuracy）和F值。 二分类的混淆矩阵： 真实值\预测值 Positive(1) Negative(0) Positive(1) True Positive (TP) False Positive (FP) Negative(0) False Negative (FN)
评价指标之准确率、精确率、召回率、F1值
qq_38230663的博客
05-14 4770
机器学习问题中，通常需要建立模型来解决具体问题，但对于模型的好坏，也就是模型的泛化能力，如何进行评估呢？ 这就需要定义一些评价指标，来度量模型的优劣。比如准确率(accuracy)、精确率(precision)、召回率(recall)、F1值(F1 score)、ROC、AUC等指标。而这些评价指标直接或间接都与混淆矩阵有关，前四者可以从混淆矩阵中直接计算得到，AUC值则要通过ROC曲线进行计算，而ROC曲线的横纵坐标又和混淆矩阵联系密切。 1. 混淆矩阵 TP、FP、FN、TN可以理解为： T
机器学习 | 评估原理——准确率、精确率、召回率、F1值
ttrr27的博客
07-30 3480
Hi，大家好，我是半亩花海。接着上次的模型评估与交叉验证继续更新《白话机器学习的数学》这本书的学习笔记，在此分享精确率、召回率、F1值相关评估原理。本章的基于已建立的模型进行评估知识的学习，欢迎大家交流学习！
评估指标：精确率（Precision）、召回率（Recall）、F1分数（F1 Score）
FriendshipTang的博客
07-11 2996
人工智能、评估指标、精确率（Precision）、召回率（Recall）、F1分数（F1 Score）
精确率（Precision）、召回率（Recall）和F1值
m0_61972043的博客
10-28 2284
text{F1值} = 2 \times \frac{\text{精确率} \times \text{召回率}}{\text{精确率} + \text{召回率}}\text{精确率} = \frac{\text{真正例（TP）}}{\text{真正例（TP）} + \text{假正例（FP）}}\text{召回率} = \frac{\text{真正例（TP）}}{\text{真正例（TP）} + \text{假负例（FN）}}F1值是精确率和召回率的调和平均数，它综合考虑了精确率和召回率的平衡。
评价标准：精确率-召回率-F1
南方硅人的博客
03-22 860
精确率 精确率（precision）是针对我们预测结果而言的。 表示的是预测为正的样本中有多少是真正的正样本。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)，也就是：预测正确的样本占所有预测样本的概率 召回率 召回率（recall）是针对我们原来的样本而言的 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)。 其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样
多分类评价指标：准确率、精确率、召回率、F1值
热门推荐
m0_64748541的博客
04-22 3万+
准确率、精确率、召回率、F1值 定义： 准确率（Accuracy）：正确分类的样本个数占总样本个数， A = (TP + TN) / N 精确率（Precision）(查准率)：预测正确的正例数据占预测为正例数据的比例， P = TP / (TP + FP) 召回率（Recall）(查全率)：预测为正确的正例数据占实际为正例数据的比例， R = TP / (TP + FN) F1 值（F1 score）： 调和平均值， F = 2 / (1/P + 1/R) = 2 * P...
机器学习之分类问题的评估指标1---准确率、精确率、召回率以及F1值
weixin_41650458的博客
09-09 4222
  Relevant NonRelevant Retrived True Positive（TP） False Positive（FP） Not Retrived False Negative（FN） True Negative（TN）...
详解精确率 (Precision)召回率 (Recall)F1评分 (F1 Score)
weixin_53765658的博客
05-29 1万+
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。
精确率，召回率，F1值的理解
nth2000的博客
09-18 542
为了评估机器学习模型的精确度，引入P值和R值的概念。 定义P=#truepositives#predictedaspositivesP = \frac{\# true \quad positives}{\# predicted \quad as \quad positives }P=#predictedaspositives#truepositives​即精确度 定义R=#truepositives#actualpositivesR = \frac{\# true \quad positives}{\# a
什么是精确率，召回率，F1分数
烟雨星洲
11-01 2027
精确率、召回率、F1 分数被定义的文献原文在机器学习和统计分类问题中，精确率（Precision）、召回率（Recall）和 F1 分数（F1 Score）是衡量模型性能的三个核心指标。这些指标帮助我们评估模型在预测结果时的准确性和可靠性。本文将详细解释这三个指标的定义、计算方法以及它们在实际应用中的意义。
精确率、召回率和F1分数
12-31
### 精确率、召回率和F1分数的概念及计算 #### 定义 精确率(Precision)衡量的是预测为正类的样本中有多少是真的正类。其定义如下： \[ \text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} \] 其中 TP (True Positive) 表示真正例数量，而 FP (False Positive) 则表示假正例数量。 召回率(Recall)，又被称为灵敏度或真阳率(True Positive Rate, TPR)，指的是实际为正类的情况下被正确识别的比例: \[ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} \] 这里 FN (False Negative) 是指错误地判定为负类的实际正类案例数目[^1]。 对于那些既重视精度又看重召回的应用场景来说，常常会把两者结合起来形成一个新的评价标准——F1得分(F1 Score): \[ F_1\,\text{Score} = 2 * \left(\frac{\text{Precision}\times\text{Recall}}{\text{Precision}+\text{Recall}}\right)\] 这个公式实际上就是精准度与召回之间的调和均值，能够更好地平衡两者的贡献[^2]。 #### 计算实例 假设有一个二元分类模型，在测试集上的表现如下表所示： | 实际/预测 | 正类 (+) | 负类 (-) | | --- | --- | --- | | **正类 (+)** | 90 (TP) | 10 (FN) | | **负类 (-)** | 5 (FP) | 95 (TN) | 基于上述数据可得： - 精准率为 \( P=\frac{90}{90+5}=0.947 \) - 召回率为 \( R=\frac{90}{90+10}=0.9 \) 因此， - F1 得分为 \( F_1=2*\left(\frac{(0.947*0.9)}{(0.947+0.9)}\right)=0.923 \) ```python from sklearn.metrics import precision_score, recall_score, f1_score y_true = [1]*90 + [0]*10 + [0]*5 + [1]*95 y_pred = [1]*90 + [0]*10 + [1]*5 + [0]*95 print(f"Precision: {precision_score(y_true[:100], y_pred[:100]):.3f}") print(f"Recall: {recall_score(y_true[:100], y_pred[:100]):.3f}") print(f"F1 Score: {f1_score(y_true[:100], y_pred[:100]):.3f}") ```
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