机器学习入门——recall与precision的解释

recall与precision

  • recall
    是该类别预测对的个数与该类别所有个数的比值

  • precision
    是该类别预测对的个数与该类别所有预测个数的比值

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习中,查准率(precision)和查全率(recall)是用来评估分类模型性能的重要指标。查准率指的是在所有被模型预测为正例的样本中,实际为正例的比例。而查全率指的是在所有实际为正例的样本中,被模型正确预测为正例的比例。 通常情况下,查准率和查全率是相互矛盾的,提高查准率会导致查全率下降,反之亦然。这是因为在分类问题中,我们可以通过调整阈值来决定将样本划分为正例还是负例。当我们降低阈值时,会增加正例的数量,从而提高查全率,但可能会降低查准率。相反,当我们提高阈值时,会减少正例的数量,从而提高查准率,但可能会降低查全率。 为了综合考虑查准率和查全率,我们通常使用F1分数来评估模型的性能。F1分数是查准率和查全率的调和平均值,可以通过以下公式计算:F1 = (2 * precision * recall) / (precision + recall)。 因此,在机器学习中,我们可以使用查准率、查全率和F1分数来评估分类模型的性能。 #### 引用[.reference_title] - *1* *2* [【机器学习】精确率(precision)、召回率(recall)以及F1分数的概念讲解加python代码实现](https://blog.csdn.net/weixin_42163563/article/details/116697828)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [机器学习之——PrecisionRecall](https://blog.csdn.net/educationer/article/details/99580979)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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