深入理解——召回率(recall) 准确率(precision) 精度(accuracy) 错误率(error)

最新推荐文章于 2024-07-26 08:34:25 发布
最新推荐文章于 2024-07-26 08:34:25 发布
阅读量1w 收藏 13
点赞数 8
分类专栏： 机器学习 深度学习 目标检测
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/u013006675/article/details/81589782
版权
本文详细介绍了在分类任务中常用的评估指标，包括精度、错误率、查准率和查全率。精度是正确预测数占总预测数的比例，错误率是其反面。查准率关注的是正确预测中的真正例比例，查全率关注的是所有正例中被正确预测的比例。查准率和查全率通常是矛盾的，但模型能力的提升可以同时提高两者。误报率和漏报率分别对应于查准率和查全率的补数。理解这些指标对于优化模型至关重要。
摘要由CSDN通过智能技术生成

精度(accuracy)和错误率(error)

这个最常用，用在常见的分类任务中，比如有鸡，鸭，鹅，狗，猫若干，让模型一一回答他们的类别，见到扁嘴脖子长还会嘎嘎叫的，回答为鸭，预测正确，否则回答错误。最后 (回答正确个数) 除以 (鸡鸭鹅狗猫总数) = 精度.

错误率则是1-精度

尽管精度或错误率能够衡量模型的分类能力，但很多场景下精度高并不代表这个模型就好。举个例子，比如在病情诊断过程中，需要模型判断体检样片呈现的是“健康”，“早期”，还是“晚期”三个情况，该模型能够到达95%的精度，即给100个样片，能够保证误判控制在5个以内。看似很不错，但是体检有一个特点，就是大多数人都是健康的，即我哪怕瞎猜都健康也能达到至少80%的精度，但事实上漏掉的那些才是真正important的，所以我们进一步需要查准率和查全率这样的指标。

查准率(precision)和查全率(recall)

先搬一段周志华书中的解释，其实已经

最低0.47元/天 解锁文章
Blssel
关注
  • 8
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
准确率accuracy/精确率precision/召回率recall的区别
xiaohuihui1994的博客
12-10 1447
实际上非常简单，精确率P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： 而召回率R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)。 其实就是分母...
Accuracy（精度）、Precision（精准度）和Recall（召回率）
weixin_43977748的博客
07-08 3951
转载 召回率 (Recall)：正样本有多少被找出来了（召回了多少）。 准确率 (Precision)：你认为的正样本，有多少猜对了（猜的准确性如何）。   阐述机器学习分类模型评估中常见的性能度量指标（performance measure）：Accuracy（精度）、Precision（精准度）和Recall（召回率），这是理解更为复杂分类模型性能度量指标（例如目标检测任务中的
理解准确率(accuracy)、精度(precision)、查全率(recall)、F1
热门推荐
ybdesire的专栏
12-13 3万+
详解衡量机器学习模型分类结果的四个关键指标
召回率 (Recall)
最新发布
大连赵哥的博客
07-26 552
召回率 (Recall)
precision与Recall
lzz555517的博客
08-31 8646
precision与Recall 在机器学习中，precision与recall是常用的指标，在说这两个概念之前，首先来说下精度(Precision)与准度(Accuracy)。 Precision指精度，意味着随机误差(Random Error)小，即方差(Variance)小，描述了实际值的扰动情况。 Accuracy指准度，意味着系统误差(System Error)小，即偏差(Bias)小，描述了实际值与真实结果的偏离程度。 准确度高，意味着误差(Error)小，Error = Bias + Var
机器学习算法评价指标 recall（召回率）、precision（精度）、F-measure（F值）、ROC曲线、RP曲线
weixin_43826596的博客
04-21 6557
机器学习中算法评价值指标总结 recall、precision、F-measure、ROC曲线、RP曲线 在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。 业内目前常常采用的评价指标有准确率(Precision)、召回率(Recall)、F值(F-Measure)等，下图是不同机器学习算法的评价指标。 1、首先要了解混淆矩阵 True Positive(真正，TP)：将正类预...
错误率、准确率、精确率、召回率
weixin_43836940的博客
02-18 1866
错误率、准确率、精确率、召回率
Accuracy、Recall、Error Rate 和 Precision 详解（手写笔记）
见见大魔王
03-31 5571
最近在复习机器学习，正好整理一下笔记，我看博客很多都参差不齐，这里我参考了很多博客，并且加上自己的思路整理了一下这几个小知识点。并附上我认为比较完整且帮助较大的博客链接。 我先简单的梳理一下（如果你懒到不想看下面笔记的话）： 定义什么的我不想再提了，网上都是一大把。 记住并且区分他们最好的方式就是理解他们含义（也就是针对什么去讨论的）。 精度（Accuracy）和错误率（Error ra...
混要矩阵（Confusion Matrix）,精度（accuracy），准确率（Precision），召回率（recall），ROC与AUC在分类评价中的运用
yanxueotft的博客
08-22 3823
对于大部分二分类问题，尤其是不平衡数据集（即一个类别出现的次数比另一个类别多很多），通常用的分类评估方法精度指标accuracy并不能很好的反映模型的好坏。 举一个极端的例子，如果1组数据有100个样本，其中99个为正类，1个为负类。如果提供一个模型永远只预测样本为正类，那么这个模型也能有99%的精度。但实际上找个模型其实是很很傻的，什么也没学到，只是因为数据集的不平衡是的模型看上去很好，却永远也...
python垃圾分类准确率计算公式_准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure...
weixin_39878760的博客
12-09 6000
机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。(注： 相对来说，IR 的 ground truth 很多时候是一个 Ordered List, 而不是一个 Bool 类型的 Unordered Col...
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)**： ...
关于准确率accuracy和召回率recall的理解
nathan_yo的博客
09-23 1303
假设有100个样本，其中正样本70，负样本30，这个是由数据集本身决定的，机器要做的就是判别这100个样本中哪几个样本是正样本，哪几个样本是负样本。 现在机器做出了预测： 机器把原样本中70个正样本中的50个判为正，记为TP=50(True Positive,机器判断正确的正样本)； 机器把原样本中70个正样本中的20个判为负，记为FN=50(False Negative,机器判断错误，认为该样本...
精度评定中的准确率（Precision）和召回率（Recall）
WoodyHD的专栏
05-05 2万+
在模式识别中，我们经常会使用到一些指标对目标识别或者影像分类的结果进行评价。 我们经常使用的有三个指标： （1）准确率（Precision），又称“精度”、“正确率”； （2）召回率（Recall），又称“查全率”； （3）F1-Score，准确率和召回率的综合指标。...
搜索和推荐中的精度和召回(recall)分别是什么意思？
七月在线实验室
04-10 1万+
●今日面试题分享●搜索和推荐中的精度和召回(recall)分别是什么意思？解析：精度/精确率，和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。...
recall，precision，accuracy等参数之间的关系图解
weixin_37715810的博客
05-23 352
precision：代表预测都是positive，靠实际正误来计算准度。recall:召回率，代表实际是true,靠正误来算准度。
Recall（召回率） Precision（准确率） F-Measure E值 sensitivity（灵敏性） specificity（特异性）漏诊率 误诊率 ROC AUC
jiandanjinxin的专栏
07-06 1万+
Berkeley Computer Vision page Performance Evaluation 机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率 True Positives, TP：预测为正样本，实际也为正样本的特征数 False Positives,FP：预测为正样本，实际为负样本的特征数 True Negatives,TN：预测为负样本，实际也为
评价训练效果的值——精准度（precision）、召回率（recall）、准确率（accuracy）、交除并（IoU）
MaggieQuan的博客
08-23 4410
每次谈到这些值得时候都很混乱，这边通俗的讲解出来，然而目前mAP还没弄明白，后续弄明白再贴出来。。。。 TP是正样本预测为正样本 FP是负样本预测为正样本 FN是本为正，错误的认为是负样本 TN是本为负，正确的认为是负样本 precision就是在识别出来的图片中（预测为正样本的图片是识别出的图片），TP所占的比值： precision=TP/(TP+FP) recall就是被正确识...
训练数据的分布对F-measure, recall 和 precision的影响
h763247747的博客
05-14 712
1、 Precision, recall and F-measure（f1-score） 2、思路 数据集：手写数字集 从训练集中抽取数据，保证每种label的数量一致，使用SVM 或ANN模型训练新数据集。按照高斯分布抽取新数据，再次使用SVM 或ANN模型训练。下图显示抽取后的每种label的个数 3、软件框图 4、代码 由于代码有点多，点此处链接 下载。每个函数...
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
06-10
准确率(Accuracy)是指模型正确预测的样本数占总样本数的比例，即： Accuracy = (TP + TN) / (TP + TN + FP + FN) 其中，TP表示真正例(True Positive)的数量，即模型正确预测为正例的数量；TN表示真反例(True Negative)的数量，即模型正确预测为反例的数量；FP表示假正例(False Positive)的数量，即模型错误地将反例预测为正例的数量；FN表示假反例(False Negative)的数量，即模型错误地将正例预测为反例的数量。 精确率(Precision)是指模型正确预测为正例的样本数占所有预测为正例的样本数的比例，即： Precision = TP / (TP + FP) 召回率(Recall)是指模型正确预测为正例的样本数占所有正例的样本数的比例，即： Recall = TP / (TP + FN) F1-Measure是精确率和召回率的调和平均数，可以综合考虑两者的表现，即： F1-Measure = 2 * Precision * Recall / (Precision + Recall) 在分类问题中，准确率、精确率、召回率和F1-Measure都是非常重要的评价指标，可以用来评估模型的性能。其中，准确率适用于样本类别分布均衡的情况，而精确率和召回率则适用于样本类别不平衡的情况。F1-Measure是一个综合性指标，可以在精确率和召回率之间进行平衡。
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