准确率 召回率_机器学习tips（四）：精确率（precision）和召回率（recall）

最新推荐文章于 2024-05-24 20:14:31 发布
最新推荐文章于 2024-05-24 20:14:31 发布
阅读量282 收藏
点赞数
文章标签： 准确率 召回率
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/weixin_39626162/article/details/111615232
版权
本文介绍了精确率（precision）和召回率（recall）这两个重要的机器学习评估指标，通过混淆矩阵的概念解释了它们的定义。在正负样本不平衡的场景下，精确率更关注预测为正类的样本中实际为正类的比例，而召回率则关注所有实际正类被正确预测的比例。F1分数作为精确率和召回率的调和平均数，综合考虑两者的表现。F2和F0.5分数则根据应用场景对召回率和精确率的不同侧重给出加权平均。
摘要由CSDN通过智能技术生成

6207e8bf934a76dfccc6cc3224ce4af2.png

精确率（precision）和召回率（recall）


混淆矩阵

  • True Positive(真正, TP)：将正类预测为正类数.
  • True Negative(真负 , TN)：将负类预测为负类数.
  • False Positive(假正, FP)：将负类预测为正类数 → 误报 (Type I error).
  • False Negative(假负 , FN)：将正类预测为负类数 → 漏报 (Type II error).

3bdd6bdba59f5d2b41885a21a71ac809.png


精确率(precision)定义为：

0588cd3554a6875d11ecbe8586db740b.png


需要注意的是精确率(precision)和准确率(accuracy)是不一样的，

f4e785835afc25eba85274fc1e9f1cdd.png


在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc 也有 99% 以上，没有意义。


召回率(recall,sensitivity,true positive rate)定义为：

9e74adfcd3faf8428c781779e8460dab.png


此外，还有F1值，是精确率和召回率的调和均值，

fbb30bbc501b4d49b4e0c2937cea6272.png

精确率和准确率都高的情况下，F1值也会高。

此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为：

cb0a0ffe169054313c1a0a1197fa55d5.png

——END——

weixin_39626162
关注
机器学习模型常用评估指标：Precision（精准率、查准率）和Recall（召回率、查全率）的理解和应用
捡起一束光的博客
10-18 3001
Precision和Recall是矛盾统一的两个指标：为了提高Precision，分类器需要尽量在“很有把握”的时候才把样本当做正样本，但这样往往由于过于保守，会漏掉很多“没有把握的正样本”，导致你的召回率（Recall）降低。
【机器学习Q&A】准确率、精确率、召回率、ROC和AUC
小哲的博客
06-28 868
评价指标的局限性问题1：准确率的局限性问题2：精确率与召回率的权衡问题3：平方根误差的“意外”参考资料 评价指标是针对将相同的数据，输入不同的算法模型，或者输入不同参数的同一种算法模型，而给出这个算法或者参数好坏的定量指标。 在模型评估过程中，往往需要使用多种不同的指标进行评估，在诸多的评价指标中，大部分指标只能片面的反应模型的一部分性能，如果不能合理的运用评估指标，不仅不能发现模型本身的问题，而且会得出错误的结论。 本文将详细介绍机器学习分类任务的常用评价指标：准确率（Accuracy）、精确率（Prec
精确率（Precision、查准率）与召回率（Recall Rate、查全率）
漫步量化
06-16 5331
精确率1 精确率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 P=TPTP+FP P=\frac{TP}{TP+FP} P=TP+FPTP​ 召回率 召回率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...
召回率（Recall），精确率（Precision），交除并（Intersection-over-Union（IoU）
pursuit_zhangyu的博客
04-27 937
简介做一下记录，方便查看召回率和精准率混淆矩阵True Positive(真正, TP)：将正类预测为正类数.True Negative(真负 , TN)：将负类预测为负类数.False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (Type I error).False Negative(假负 , FN)：将正类预测为负类数 →→ 漏报 (Type II error).精确...
查准率(Precision)和查全率(Recall)和 P-R曲线、ROC曲线
很吵请安静
08-10 1万+
数据发生倾斜时，准确率判断模型好坏就不那么准确了。比如风控模型中，99个正常用户和1个欺诈用户，用一个把所有用户都识别成正常用户的模型进行预测，那么该模型的准确率为99%,然而并没有什么用。所以要用另一个参数来衡量模型的好坏。 查准率(Precision)和查全率(Recall) 四类预测 将模型预测结果分为下面四类： 正确肯定（True Positive,TP）：预测为真，实际为真 正确否定（...
一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
fengmaomao1991的专栏
01-28 8355
其中，BB表示BoundingBox，GT=1表示GT与预测的BoundingBox的IoU>=IoU_th，BoundingBox序号相同代表所对应的GT是同一个。但在工程应用中，物体是否被正确检测到，还是需要具体的confidence_th和IoU_th，工程上更关心在固定的confidence_th和IoU_th下的准确率。注意，FN是从Ground Truth中取，就是如果有n个类似这种的confidence
人工智能100问 - 5 什么是准确率、召回率、 F 值、 ROC 曲线、 AUC？
03-21 2343
当我们训练好一个模型，如何衡量它的好坏呢？这个时候我们需要一系列的数量化的指标，通过这些指标的高低，对模型的优劣进行判断。 一、准确率和召回率 准确率和召回率是每个模型都会去看的指标。 准确率 = 选出的正确信息条数 / 选出的信息总条数 召回率= 选出正确信息条数 / 样本中的信息条数 举个栗子，我们有100个苹果有90个是好的，10个是坏的。 我们弄了一个算法来找出坏的苹果。我们...
python计算召回率_机器学习之分类：精确率和召回率
weixin_39603573的博客
11-22 1252
精确率精确率指标尝试回答以下问题：在被识别为正类别的样本中，确实为正类别的比例是多少？精确率的定义如下：Precision = \dfrac{TP}{TP + FP}注意：如果模型的预测结果中没有假正例，则模型的精确率为 1.0 。让我们来计算一下上一部分中用于分析肿瘤的机器学习模型的精确率：精确率 = \dfrac{TP}{TP + FP} = \dfrac{1}{1 + 1} = 0.5该模型...
机器学习中精确率（precision）、召回率（recall）和准确率（accuracy）的理解
duyuan6949的博客
07-13 2869
注：网上很多讲解都瞎讲，把precision和accuracy概念混淆，误人子弟。1.精确率（precision）    就precision而言有很多版本，各种说法不一，有精确率也有正确率更有甚者把准确率也搞出来了实在受不了，反正咱们看英文叫做precision。    precision是表示预测为正样本中，被实际为正样本的比例。根据图1-1可得其计算公式为：P = TP / (TP + FP...
召回率 精确率 matlab,「机器学习」准确率、精确率、召回率、F1分数、ROC-AUC
weixin_34957720的博客
03-20 2869
「机器学习」准确率、精确率、召回率、F1分数、ROC-AUC机器学习最后更新 2020-08-31 16:22阅读 210最后更新 2020-08-31 16:22阅读 210机器学习在机器学习中衡量一个模型是否准确我们有很多指标：准确率 - accuracy精确率 - precision召回率 - recallF1分数-F1 scoreROC曲线下面积 - ROC-AUC (area under...
【详细解释深度学习图像分类&检测评价指标】准确率Accuracy、精确率Precision、召回率Recall、mAP等(一文搞懂，建议收藏)
cqy阳的博客
01-24 9346
【详细解释深度学习图像分类&检测评价指标】准确率Accuracy、精确率Precision、召回率Recall、mAP等(一文搞懂，建议收藏)
人工智能算法几个重要指标
wilder2000的专栏
03-07 2833
AI算法几个重要指标，准确率、精确率、召回率的区别
真阳率(tp)、假阳率(np)
Focusing on your own Mind :) －> 站在巨人的肩膀上
06-22 2万+
很早以前就知道这些概念了，不过由于跟自己的认知习惯不一样，所以碰到了还是经常会忘。于是索性把这些概念总结一下，以后再忘了也好找（其他的文章太啰嗦了，计算方法也写的不清不楚….）  另外我也会陆续更新一些其他的机器学习相关概念和指标，即是方便自己，也方便他人吧。 注意：本文将混用正负样本和阳性(+)阴性(-)这两套说法 真阳率、假阳率 这些概念其实是从医学那边引入到机器学习里面的
从false positive说起
shaoxiaohu的专栏
06-01 2万+
从目标检测的结果评测时，一直要与false positve, precision rate, recall rate这几个名词。总是在用的时候比较清楚这几个词的意思，但是时间一长，又给忘了。前几天跟师兄讨论这个问题，还是迷迷糊糊，模棱两可。决定干脆总结并记下来，以备不时之需。   这三个词的中文意思分别是：误检率（也可以被称作虚警率），查准率和查全率。它们是怎么通过计算得出，可以看下图：
召回率 Recall、精确度Precision、准确率Accuracy、虚警、漏警等分类判定指标
热门推荐
IT全栈 华强工作室
02-24 5万+
召回率 Recall、精确度Precision、准确率Accuracy、虚警、漏警等分类判定指标  假设原始样本中有两类，其中：   1：总共有 P个类别为1的样本，假设类别1为正例。   2：总共有N个类别为0的样本，假设类别0为负例。 经过分类后：   3：有TP个类别为1的样本被系统正确判定为类别1，FN个类别为1 的样本被系统误判定为类别0，显然有P=TP+FN；   4：有
【人工智能】模型性能评估
最新发布
mucheng771的博客
05-24 393
混淆矩阵(Confusion Matrix）TP(真阳性)：预测为阳性，且预测正确。TN(真阴性)：预测为阴性，且预测正确。FP(伪阳性)：预测为阳性，但预测错误，又称型一误差(Type I Error)，或α误差。FN(伪阴性)：预测为阴性，但预测错误，又称型二误差(Type II Error)，或β误差有了TP/TN/FP/FN之后，我们就可以定义各种效能衡量指标，常见的有四种：准确率 精确率 召回率 F1。
【人工智能】NLP的Precision(查准率,精确率),Recall(查全率,召回率),Accuracy(准确率)以及综合评价指标(F1-Measure)
沙师弟专栏
10-29 9974
目录简述准确率、召回率、F1AP和mAP(mean Average Precision)ROC和AUC 简述 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 t...
机器学习入门教学——精度(Precision)、召回/真阳性率(Recall/TPR)、假阳性率(FPR)
计算机硕士的博客
08-17 3406
机器学习入门教学——精度(Precision)、召回/真阳性率(Recall/TPR)、假阳性率(FPR)，精度与召回的区别。
机器学习中的召回率、精确率、准确率
hzp666的博客
04-13 1181
应用场景：你刷脸支付时就算几次没检测到你的脸，最多会让你愤怒，对银行损失不大，但是如果把你的脸检测成别人的脸，就会出现金融风险，让别人替你买单，对银行损失很大。请听题：你的老板让你做一个地震预测模型(以天为单位记某一天地震为正样本，不地震为负样本)，你需要预测接下来100天的地震情况。：分母是预测到的正类，精确率的提出是让模型的现有预测结果尽可能不出错(宁愿漏检，也不能让现有的预测有错)：分母是原本的正类，召回率的提出是让模型预测到所有想被预测到的样本(就算多预测一些错的，也能接受)
理解机器学习：准确率陷阱与混淆矩阵详解
以癌症检测为例，当模型预测为1（癌症）和0（非癌症）时，混淆矩阵可以帮助我们计算精准率（Precision, TP / (TP + FP））和召回率（Recall, TP / (TP + FN）），这两个指标分别衡量了模型在预测为正例时的正确性和...
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