召回率和准确率的理解

最新推荐文章于 2024-04-27 13:31:32 发布
最新推荐文章于 2024-04-27 13:31:32 发布
阅读量2w 收藏 40
点赞数 2
分类专栏： 数据挖掘
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_42382211/article/details/81170029
版权

今天看书再一次看到这两个概念，在我印象中原来很努力记忆过一次，效果嘛→显而易见。这一次学聪明点，看懂了就记录下来。

首先来讲下二者概念：

召回率（recall）：是针对我们原来样本而言，表示有多少样本中的正例（一种是把正类预测为正类即TP，一种是把正类预测为负类即FN）被预测正确了。R = \frac{TP}{TP+FN}，提取出的正确信息条数 / 样本中的信息条数。

精确率（precision）：是针对我们的预测结果而言，表示的是预测为正的样本中（一种是把正类预测为正类即TP，一种是把负类预测为正类即FP）有多少是真正的正样本。P = \frac{TP}{TP+FP}， 提取出的正确信息条数 / 提取出的信息条数。

TP:将正类预测为正类数

FP:将负类预测为正类数

FN:将正类预测为负类数 

TN:将负类预测为负类数

现在来讲下记忆方法，T、F分别是TURE/FALSE，表示是结果的对不对的意思。P、N分别是Positive/Negative表示我们认为的是"是"或者”不是“。首先我们看第一个TP，拆开理解就是T和P，T表示预测结果是对的，P表示我们认为这结果为“正类”，意味着是从正类→正类。F和P，F表示预测结果是错的，P表示我们认为这结果为“正类”，所以负类→正类。F和N，F表示预测结果错误，N表示我们认为这结果为“负类”，所以正类→负类。T和N，T表示预测结果是对的，N表示我们认为这结果为“负类”，所以负类→负类。

还有一个是准确率（accuracy ）：简单理解就是猜对（将正的猜为正，将负的猜为负）的结果占总数的概率。(TP+TN)/(TP+FP+FN+TN).

再补充一个F1值指标，公式是，作用就是调和P和R 的矛盾。后面查到升级版F1值参数，如下图

主要是为了我自己记忆笔记，所以有没明白的思路的小伙伴可以看看我当初参考的链接，自己琢磨下。

https://blog.argcv.com/articles/1036.c和https://www.zhihu.com/question/19645541

 

 

学渣渣_宇
关注
  • 2
    点赞
  • 踩
  • 40
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
如何解释准确率、精确率与召回率？
PingBryant的博客
04-10 3万+
对于二分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。 首先有关TP、TN、FP、FN的概念。TP与TN都是机器（预测）分类分对了的情况，TP是预测为正类且预测正确，TN是预测为负类且预测正确。FP与FN都是机器（预测）分类分错了的情况，FP是把实际负类分类（预测）成了正类，而FN则是把实际正类分类（预测）成了负类。（T则代表分类正确，F代表分类错误；P代表全体类中实际正类，N代表全体类中实际负类。） 【举例】一个班里有男女生，我们来进行分类，把女生看成正类，男生
什么是精确率Precision和召回率Recall？
weixin_43918046的博客
05-27 1530
二分类任务中只有正样本和负样本，即标签为1或0。而我们模型的目标就是尽可能去把所有的正样本的都准确的找出来，于是涉及到精确率Precision和召回率Recall。计算召回率：真实的正样本数目为3，而模型预测为准确的正样本数目为2，也就是3条有2条被找出来了，召回率=2/3。计算精确率：预测为正样本的数目为5，但其中只有2条是真的正样本，也就是只有2条被成功预测正确了，精确率=2/5。精确率Precision：指模型预测为正样本的数据中有多少是真的正样本。有10条数据，3条正样本，7条负样本。
机器学习 | 准确率、召回率、精准率、特异度傻傻分不清？ROC曲线怎么看？一篇文章帮你搞定
最新发布
Huiwen18的博客
04-27 1568
提高召回率是为了少漏报；提高精准率是为了少错报。ROC曲线纵轴为真正率，横轴为假正率
精度评定中的准确率（Precision）和召回率（Recall）
热门推荐
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。...
目标检测中精确率，召回率，准确率的意思
Yemiekai的博客
09-01 6693
精确率 召回率 准确率
召回率与准确率
zhoubl668的专栏：远帆，梦之帆！
10-26 3245
召回率和准确率是数据挖掘中预测、互联网中的搜索引擎等经常涉及的两个概念和指标。 召回率：Recall，又称“查全率”——还是查全率好记，也更能体现其实质意义。 准确率：Precision，又称“精度”、“正确率”。 以检索为例，可以把搜索情况用下图表示： 相关 不相关 检索到 A B 未检索到
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)**： ...
sa-uta7-recall-precision:UTA7统计分析的召回率和精确度结果
05-12
通常，我们认为精度和召回率都表明模型的准确性。 尽管这是正确的，但每个术语都有更深层的，不同的含义。 精确度是指相关结果的百分比。 另一方面，召回指的是您的算法正确分类的所有相关结果的百分比。 毫无疑问...
机器阅读理解MRC评价方法说明.docx
03-23
机器阅读理解是自然语言处理领域中的一个重要研究方向，旨在让机器能够像人类一样理解和解释自然语言文本。为评价机器阅读理解模型的性能，需要设定科学的评价方法和标准。下面将对机器阅读理解MRC评价方法进行详细...
python:目标检测模型预测准确度计算方式(基于IoU)
12-23
训练完目标检测模型之后，需要评价其性能，在不同的阈值下的准确度是多少，有没有漏检，在这里基于IoU(Intersection over Union)来计算。 希望能提供一些思路，如果觉得有用欢迎赞我表扬我~ IoU的值可以理解为系统...
Python分割训练集和测试集的方法示例
09-18
评估指标可能包括准确率、精确率、召回率、F1分数、AUC-ROC曲线等，具体取决于任务的性质（如分类或回归）。 总的来说，Python和scikit-learn库提供了一种简单而强大的方式来处理训练集和测试集的划分，使得机器...
准确率（accuracy）、召回率（recall）的意义和区别
sky8336的博客
02-07 4646
准确率（accuracy）、召回率（recall）的意义和区别 对于准确率和召回率：一句话，准确率就是“找的对”，召回率就是“找的全” （精确率：正样本中找对的准确率） 参考以下图示： 区域A：能检索到；想得到 区域B：能检索到；不想得到 区域C：未检索到；想得到 区域D：未检索到；不想得到 注：准确率和召回率互相影响，理想状态下肯定追求两个都高，但是实际情况是两者相互“制约”：追求准确率高，则召回率就低；追求召回率高，则通常会影响准确率。若两者都低，则一般是出了某种问题。 一组不同阈值下，准确率和召回率
准确率与召回率（Precision & Recall）、F-score
maria5201314的博客
12-06 1万+
1、两个最常见的衡量指标是“准确率（precision）”（你给出的结果有多少是正确的）和“召回率（recall）”（正确的结果有多少被你给出了） 这两个通常是此消彼长的（trade off），很难兼得。很多时候用参数来控制，通过修改参数则能得出一个准确率和召回率的曲线（ROC），这条曲线与x和y轴围成的面积就是AUC（ROC Area）。AUC可以综合衡量一个预测模型的好坏，这一个指标综合了
机器学习中精确率（precision）、召回率（recall）和准确率（accuracy）的理解
Bruce_0712的博客
06-10 1万+
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precision。 precision是表示预测为正样本中，被实际为正样本的比例。可以看出precision是考虑的正样本被预测正确的比例．根据图1-1可得其计算公式为：P = TP / (TP + FP) 2.召回率（recall） ...
如何区分精确率(precision)、准确率(accuracy)和召回率（recall）
08-08 1万+
理解精确率(precision)、准确率(accuracy)和召回率（recall） 正样本 负样本 预测正例 TP FP 预测反例 FN TN TN，预测是负样本，预测对了 FP，预测是正样本，预测...
召回率与正确率
qq_43691113的博客
09-23 309
在讲召回率和正确率之前，先看四个单词： T：True 样本为正样本 F：False 样本为负样本 P：positive 表示预测正确 N：Negative 表示预测错误 TP FP TN FN 1.召回率（recall） recall=TP/(TP+FN) 意思就是在所有正样本中，预测正确了多少？ 2.正确率（precise） precise=TP/(TP+FN) 意思就是系统预测为正样本中，预测正确了多少？ ...
如何理解准确率、召回率和精确率？
莫邪莫急的博客
03-18 6085
一、概念 精确率（precision）：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。 召回率（recall）：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。 准确率（accuracy）：针对我们预测结果而言的，它表示的是预测结果中正确的预测占总样本数的比例。 精确率：precision = TP / (TP + FP) 召回率：recall =...
深度学习中准确率、精确率、召回率、误报率、漏报率、F1-Score、AP&mAP、ROC曲线、AUC、MAE、MAPE、MSE、RMSE、R-Squared等指标的解释说明
yueguang8的博客
03-20 2341
在深度学习学习中，有许多常用的评估指标用于衡量模型的性能。下面是一些常见的指标及其定义和说明。关键名字解释：TP表示真正例（True Positive），即模型正确预测为正例的样本数量；TN表示真负例（True Negative），即模型正确预测为负例的样本数量；FP表示假正例（False Positive），即模型错误地将负例预测为正例的样本数量；FN表示假负例（False Negative），即模型错误地将正例预测为负例的样本数量。
mAP、准确率和召回率
07-28
在理解mAP之前，我们需要先了解准确率（Precision）和召回率（Recall）的概念。 准确率（Precision）指的是在所有检索到的文件中，相关文件所占的比率。换句话说，准确率衡量的是检索到的结果中有多少是相关的。 ...

“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 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

打赏作者

学渣渣_宇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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