机器学习 之评估指标 召回率，查准率，F1分数(f1值)

最新推荐文章于 2025-02-28 17:10:00 发布
最新推荐文章于 2025-02-28 17:10:00 发布
阅读量2.1k 收藏 6
点赞数
分类专栏： PYTHON 机器学习 数据分析
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_42294517/article/details/104374520
版权

1、召回率：评价模型的完整性

预测样本中的预测正确的信息条数/总样本中所有的属于这类样本的信息条数 举例：
将虾预测为虾TP：
将鱼预测为鱼 FP:
将虾预测为鱼 FN:
将鱼预测虾 TN：
将虾预测为虾 召回率R = TP/(TP+FN) （正确预测虾的信息条数/原样本中所有虾的信息条数）

2、查准率（精确率）：评价模型的正确性

查准率（精确率）：某一类 预测样本中的预测正确的信息条数/预测样本中所有预测为此类的信息数
查准率P = TP/(TP+FP) 不同于正确率
正确率：所有预测正确样本除以所有预测样本
准确率 = （TP+TN）/(TP+FP+FN+TN)

3、F1分数：

F1分数可以看作模型的查准率与召回率的加权平均 它的取值范围在
【0-1】 值越大说明模型越好。
例如：
有100个样本，其中1个正样本，99个负练样本，如果模型的预测输出只有0 ，那么正确率是99%，如果单单用查准率来衡量模型的好坏是具有偏见性的。
在这里插入图片描述
因为 0<召回率R<1
0<准确率P<1
所以 2*(R*P)<R+P
从而得到 取值范围为（0，1】

机器学习理论之mAP 查全率 查准率 IoU ROC PR曲线 F1值
学习中
10-31 486
机器学习理论之mAP 查全率 查准率 IoU ROC PR曲线 F1值
集成学习 -Task 5
Joye_BNU的博客
03-28 615
文章目录分类模型性能度量 - 混淆矩阵/F1/AUC与ROC性能度量混淆矩阵准确率精准率/查准率召回率/查全率定义查准率和查全率有什么用？精准率（查准率）和召回率（查全率）的关系 - F1分数如何理解P-R（查准率-查全率）这条曲线？F1分数灵敏度，特异度，真正率，假正率ROC（接受者操作特征曲线）ROC曲线的阈值问题如何判断ROC曲线的好坏？ROC曲线无视样本不平衡AUC（曲线下的面积）Logistic 回归Logistic 回归简介Logistic 回归的数学表达如何求解最优的 θ\thetaθLogi
F1分数
ncst
05-10 9919
F1分数：既然已经讨论了precise（精确率）recall（回召率），接下来将使用一个新的机器学习指标F1分数，F1分数会同时考虑精确率和回召率，以便重新计算新的分数。F1分数可以理解为：精确率和召回率的加权平均值。其中F1分数的最佳为1，最差为0；F1 = 2 * (precise * recall) / (precise + recall)
机器学习分类
最新发布
2504_90298215的博客
02-28 222
准确率（accuracy）通常无法成为分类器的首要性能指标，特别是当你处理有偏数据集时。例如，数据集中90%左右的标签是B，即使全部预测为B，那么准确率也有90%。评估分类器性能的更好方法是查看混淆矩阵（Confusion Matrix，CM）。
【概念+实例】一文搞懂机器学习中的准确率、精确率、召回率、F1分数
hahaha_1112的博客
11-03 3279
【概念+实例】一文搞懂机器学习、深度学习中的准确率、精确率、召回率、F1分数
机器学习（分类问题中的正确率/召回率/F1指标）
a1_2_3_4__5的博客
11-17 1508
正确率与召回率(Precision & Recall)是广泛应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。 一般来说，正确率就是检索出来的条目有多少是正确的，召回率就是所有正确的条目有多少被检索出来了。 F1指标是综合上面二个指标的评估指标，用于综合反映整体的指标。 这几个指标的取值都在0-1之间，数值越接近于1，效果越好。 举例 某池塘有1400条鲤鱼，300只虾，300只鳖。现...
分类任务，回归任务以及排序任务指标评估汇总：F1分值，ROC，AUC，MAE, MSE，MRR, NDCG，RC
BGoodHabit的博客
08-29 3613
分类任务，回归任务，排序任务常见评估指标: ROC, AUC, NDCG, RC等
机器学习基础概念：查准率、查全率、ROC、混淆矩阵、F1-Score 机器学习实战：分类器
12-21
本文将深入探讨几个关键概念：查准率（Precision）、查全率（Recall）、ROC曲线、混淆矩阵以及F1-Score，这些都是衡量分类器效能的重要指标。 查准率和查全率是评价二分类问题中模型性能的两个基本指标。查准率...
什么是精确率，召回率，F1分数
烟雨星洲
11-01 2231
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。
机器学习中的二分类问题评价指标之精确率、召回率、F1值通俗理解
BaoITcore的博客
10-30 2578
统计学习方法或机器学习中对二分类问题的评价指标，精确率和召回率以及F1值的通俗理解，大白话解读。
机器学习分类器指标 准确率,精确率,召回率,F1值以及ROC, AUC曲线
fish的专栏
02-09 8297
原文: https://www.jianshu.com/p/7cb8759b0680 http://alexkong.net/2013/06/introduction-to-auc-and-roc/ 对于分类模型，也有很多评估指标来判断该分类模型是否达到我们的要求，这几个评估指标主要是指：准确率（accuracy），精确率（precision），召回率（recall），F1值（F1 meas...
精准率、召回率、f1值及TP、TN、FP、FN通俗解释
qq_40821163的博客
09-10 1万+
TP(真正例)：预测正确，样本为正 TN(真反例)：预测正确，样本为负 FP(假正例)：预测错误，样本被预测为正，但样本实际为负 FN(假反例)：预测错误，样本被预测为负，但样本实际为正 精准率(Precision)：Precision= TP / ( TP + FP ) 表示预测为正例的样本中真正正例的比例。 召回率(Recall)：Recall= TP / ( TP + FN ) 表示预测为正例的真实正例占所有正例的比例。 f1值：f1= 2 * Precision * Recall / ( Preci
【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
热门推荐
张陈亚的博客
05-12 1万+
概念理解： 一、理解查准率（precision）& 查全率（recall） 我们在平时常用到的模型评估指标是精度（accuracy）和错误率（error rate），错误率是：分类错误的样本数站样本总数的比例，即E=n/m（如果在m个样本中有n个样本分类错误），那么1-a/m就是精度。除此之外，还会有查准率和查全率，下面举例解释。 按照周志华《机器学习》中的例子，以西瓜问题为例。 错误率：有多少比例的西瓜被判断错误； 查准率（precision）：算法挑出来的西瓜中有多少比例是好西瓜； .
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 3916
F1评估指标的内容
评价指标1--F1值和MSE
weixin_30901729的博客
03-15 1127
1，F1=2*(准确率*召回率)/(准确率+召回率) F1的值是精准率与召回率的调和平均数。F1的取值范围从0到1的数量越大，表明实现越理想。 Precision（精准率）=TP/(TP+FP) Recall（召回率）= TP/(TP+FN) 2，均方误差（MSE，Mean Square error） 是回归精度的常用评价指标 MSE = 1/n * sum(yi-f(xi))2 ...
yolo,mAP, F1值, 召回率（Recall），精确率（Precision），(TP,TN,FP,FN)，交除并（Intersection-over-Union（IoU））
分享计算机视觉，C++，网络摄像头研发，音视频开发，嵌入式等知识。
03-19 9181
mAP 平均精度(mAP)是一个度量标准，用于评估对象检测模型，如Fast R-CNN, YOLO, Mask R-CNN等。 mAP formula is based on the following sub metrics（mAP公式基于以下子度量）: Confusion Matrix, Intersection over Union(IoU), Recall, Precision confusion matrix TP: True：表示预测正确，Positives表示预测的结果是正。说明使用的是
深入解析 F1 分数：评估分类模型性能的关键指标
秋声工作室
12-16 3003
精确率：反映了模型预测结果的准确程度，计算方法为正确预测的正样本数量除以所有预测为正的样本数量。例如，假设有 100 个样本，其中 50 个正样本和 50 个负样本，模型预测出 10 个正样本，但只有 1 个正确，则精确率为 1/10 = 10%。精确率高意味着模型对正样本的判断较为准确，但可能会遗漏一些真实的正样本。召回率：体现了模型预测结果的全面程度，计算方法为正确预测的正样本数量除以所有真实的正样本数量。
每天五分钟机器学习：分类算法评估指标之F1值
huanfeng_AI的博客
10-28 2395
上一节课程中我们学习了查准率和召回率，作为遇到偏斜类问题的评估度量值。那么究竟是查准率更好一些还是召回率更好一些呢？其实都不是，真正好的应该是使得查准率和召回率的相对平衡，那么这个相对平衡的就是F1值。
准确性、召回率、精确度、F1分数、公平性指标什么意思
02-06
### 准确性的定义和含义 准确性（Accuracy）是指分类器做出的正确预测占总预测的比例。对于二元分类问题，准确性可以通过下述公式计算： \[ \text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FP} + \text{FN} + \text{TN}} \] 其中 TP 表示真正类（True Positive），TN 表示真负类（True Negative），FP 表示假正类（False Positive），而 FN 则表示假负类（False Negative）。然而，在类别分布极不平衡的数据集中，高准确性可能并不代表模型性能良好。 ### 召回率的定义和含义 召回率（Recall），也称为灵敏度或真正类率（True Positive Rate, TPR），衡量的是实际为正样本中被正确识别出来的比例: \[ \text{Recall (Sensitivity)} = \frac{\text{TP}}{\text{TP}+\text{FN}} \] 这个比率越高说明漏检越少；但是高的召回率可能会带来更多的误报[^1]。 ### 精确度的定义和含义 精确度（Precision），有时也被叫做查准率，指的是所有预测为正向的结果中有多少是真的正向实例: \[ \text{Precision} = \frac{\text{TP}}{\text{TP}+\text{FP}} \] 较高的精确度意味着较少的错误警报，即当系统说某事发生时它确实发生的概率较大[^2]。 ### F1分数的定义和含义 F1分数是精确度和召回率之间的一种折衷措施，它是两者调和平均数而非简单的算术均值。因此，即使其中一个分量很低也会显著影响最终得分。具体表达如下所示： \[ F_1 = 2 * (\frac{\text{precision}*\text{recall}}{\text{precision}+\text{recall}}) \] 这种特性使得F1特别适合用来评价那些对两类误差都有严格要求的任务，尤其是在处理不平衡数据集的情况下更为有用[^3]。 ### 公平性指标的定义和含义 公平性是一个更广泛的概念，涉及到算法决策过程及其结果是否公正对待不同群体。在机器学习领域内，存在多种方式去量化这一属性，比如统计奇偶差、平等机会差距等。这些方法试图捕捉到模型是否存在针对某些特征（如性别、种族）的不同待遇现象。值得注意的是，“完美”的公平往往是难以实现的目标，因为不同的公平标准之间可能存在冲突，并且如何界定什么是“公平”本身就是一个复杂的社会议题[^4]。
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