错误率、精度、查准率、召回率和F1得分

本文详细阐述了错误率和精度在分类问题中的作用,以及它们如何衡量模型性能。同时,介绍了查准率、召回率和F1得分的概念,这些指标用于评估二分类任务的准确性和完整性。通过实例解释了如何计算这些指标,并强调了它们在评估模型性能时的重要性。
摘要由CSDN通过智能技术生成
① 错误率与精度

错误率和精度是分类问题中常用的性能度量指标,既适用于二分类任务,也适用于多分类任务.

  • 错误率(error rate):指分类错误的样本占样本总数的比例,即 ( 分类错误的数量 / 样本总数数量)

  • 精度(accuracy):指分类正确的样本占样本总数的比例,即 (分类正确的数量 / 样本总数数量)

    精 度 = 1 − 错 误 率 精度 = 1 - 错误率 =1

② 查准率、召回率与F1得分

对于二分类问题,可以将真实类别、预测类别组合为“真正例”(true positive)、“假正例”(false positive)、“真反例”(true negative)、“假反例”(false negative)四种情形,见下表:

  • 样例总数:TP + FP + TN + FN

  • 查准率: TP / (TP + FP),表示分的准不准

  • 召回率:TP / (TP + FN),表示分的全不全,又称为“查全率”

  • F1得分:
    f 1 = 2 ∗ 查 准 率 ∗ 召 回 率 查 准 率 + 召 回 率 f1 = \frac{2 * 查准率 * 召回率}{查准率 + 召回率} f1=+2

在这里插入图片描述

例:

假设有10只动物,其中猫有16只,狗有4只。
根据特征预测猫。

模型执行,输出10只,猫7只,狗3只。

样本:

  • 正例:属于这一类的样本。 猫
  • 负例:不属于这一类的样本。 狗

查准率(Precision):

被正确检索的样本数 与 被检索到样本总数之比。即:TP / (TP + FP).

在本例中,正确检索到了7只猫,总共检索出10只动物,所以 Precision = 7 / 10.

召回率(Recall ):

被正确检索的样本数 与 应当被检索到的样本数之比。即:TP / (TP + FN).

在本例中,正确检索到了7只猫,应当检索16只,所以 Recall = 7 / 16.

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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