什么是精确率Precision和召回率Recall？

最新推荐文章于 2024-03-04 22:51:32 发布
最新推荐文章于 2024-03-04 22:51:32 发布
阅读量1.4k 收藏 3
点赞数
分类专栏： 深度学习 文章标签： 机器学习 python 算法
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_43918046/article/details/130907347
版权

精确率Precision和召回率Recall是衡量很多二分类任务经常用到的指标，但是很多时候很多人容易分不清，这里简单扯一下。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。

召回率Recall：指有多少正样本被成功预测出来了。
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。

举个例子：
有10条数据，3条正样本，7条负样本。
分布如下：
真实标签：

0,0,1,1,0,0,1,0,0,0

模型预测的标签

1,0,1,1,0,0,0,0,1,1

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。

如果有问题请及时指出，谢谢~

Guapifang
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure)、AUC、ROC的理解
飘过的春风
05-09 10万+
一、准确率、精确率、召回率和 F 值 是选出目标的重要评价指标。不妨看看这些指标的定义先： (1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP) (2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是正类，但...
sa-uta7-recall-precision:UTA7统计分析的召回率和精确度结果
05-12
召回率和精度问题UTA7统计分析 该存储库旨在为我们对中的问题的统计分析收集一套 。 为了这个目的，我们正在计算代表我们的（或）的几个热图。 简而言之，是对分类问题的预测结果的简短描述。 在我们的，我们正在为数据集测量这些预测的频率。 数据集代表了我们对乳腺癌的BIRADS值的机器学习预测结果。 从这里开始，我们将解决召回率和精度问题。 但是首先，让我们简短地解释每个。 召回率是正确分类的阳性BIRADS值总数除以预测的阳性BIRADS样本总数的比率。 另一方面， Precision是正确分类的正BIRADS样本总数除以预测的正BIRADS样本总数。 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，这是一开始就很难理解的概念。 所以
人工智能100问 - 5 什么是准确率、召回率、 F 值、 ROC 曲线、 AUC？
03-21 2170
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...
机器学习中，召回率是什么概念？
最新发布
余璜的技术博客
03-04 2319
在多分类问题中，计算召回率通常需要把每个类别都当作是“正类”，而所有其他类别都是“负类”，然后分别对每个类别计算召回率。最后，你可能会对所有类别的召回率取平均，得到一个总的召回率指标，这在多分类问题中被称为宏平均召回率（Macro-Averaged Recall）。准确率是指在所有被模型识别为正类的样本中，正确识别的比例。例如，计算“2”的召回率就是在所有实际标记为数字“2”的样本中，有多少被模型正确地识别为“2”。对于“猫”这个类别，召回率将是在所有真实为“猫”的图片中，有多少被模型正确识别为“猫”。
3.召回率-机器学习模型性能的常用的评估指标
qq_37977007的博客
01-24 7513
简单的介绍了召回率作为机器学习中的重要评价指标.
召回率
lien0906的专栏
06-25 2513
召回率(Recall Rate,也叫查全率)是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率；精度是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。召回率(Recall)和精度(Precise)是广泛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 中文名 召回率 外文名 Recal
机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
热门推荐
小太阳~
04-26 27万+
以下第一部分内容转载自：机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)是怎么一回事摘要：数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)简介。 引言：在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。业内目前常常采用的评价指标有准确率(Precision)、召
召回率（rec），准确率（acc），精确率（pre），F1值
Mr_Suda的博客
12-19 4万+
这几天在看有关ABSA论文的代码，而代码跑出来的结果除了有输出loss的值以外还有一个acc的值和一个F1的值。查看了网上对于一些博客以后，对于模型的这三个评价指标有了一个新的认识，因此在这里我写出了自己的认识。 1.混淆矩阵 提到召回率，准确率，精确率和F1值，我就不得不提一下什么叫做混淆矩阵。 混淆矩阵说简单一点就是一个矩阵。一个什么样的矩阵呢？一个关于预测值和真实值得一个矩阵。 （Tips：为了方便理解，下面会以一个二分类问题作为讲解） 这个句子的情感是不是积极的 实际值（1：积极，0
准确率、精确率、召回率、F1值、ROC/AUC整理笔记
学习容易上瘾
07-09 13万+
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。 一、TP、TN、FP、FN概念 首先有关TP、TN、FP、FN的概念。大体来看，TP与TN都是分对了情况，TP是正类，TN是负类。则推断出，FP是把错的分成了对的，而FN则是把对的分成了错的。（我的记忆方法：首先看第一个字母是T则代表分类正确，反之分类错误；然后看P，在T中则是正类，若在F中则实际为...
通俗解释机器学习中的召回率、精确率、准确率
Java开发，人工智能，边缘计算，致力于掌握前沿技术
02-20 9288
网络上很多地方分不清准确率和精确率，在这里先正确区分一下精确率和准确率，以及他们的别称。 提升精确率是为了不错报、提升召回率是为了不漏报
精确率（precision）、召回率（recall）、准确率（accuracy）
那年聪聪
12-05 4万+
精确率（precision）、召回率（recall）、准确率（accuracy）
Estimating a smooth precision-recall curve：一组MATLAB函数，用于计算精度-召回曲线的平滑近似。-matlab开发
06-01
在二元分类中，精确召回曲线 (PRC) 已成为评估分类性能的广泛概念工具。 该曲线将分类器的阳性预测值与其真阳性率相关联，并为众所周知的接收者操作特征 (ROC) 提供了一个有用的替代方案。 可以根据有关基本决策值的简单分布假设计算对 PRC 的平滑估计。 此档案包含此方法的易于使用的 MATLAB 实现。 有关完整详细信息，请参阅： KH Brodersen、CS Ong、KE Stephan、JM Buhmann (2010) 精确召回曲线的双正态假设。 第 20 届国际模式识别会议 (ICPR) 的论文集，4263-4266。
1-具有准确度、精确度和召回率的最近邻：INPUTS:TEST SET,TRAINING SET,GROUP,K-VALUE,DISTANCE,RULE OUTPUT:ACCURACY,PRECISION,RECALL-matlab开发
05-30
找到 K 最近的邻居 :: 公式 ：： Class = knnclassify(测试、训练、组、k、距离、规则) 输入：- 测试集、训练集、组、K 值、距离、规则测试、训练 - 矩阵组 - 行分组K - 用于分类的最近邻居的数量距离 - 欧几里得规则 - 最近的输出 ：- 显示每一行最近邻居的类矩阵，即测试的第 1 行最接近训练的第 3 行。
基于TensorFlow 2.0和循环神经网络开发的情感分析python源码+使用说明+超详细注释.zip
10-16
【资源说明】 基于TensorFlow 2.0和循环神经网络开发的情感分析python源码+使用说明+超详细注释.zip 我的计算设备是笔记本上的 GTX 1060 6G，当选择batch size=32时，训练完一个epoch耗时约125s。 如下是训练4个epoch的模型性能参数： 数据集|准确率(Accuracy)|精确率(Precision)|召回率(Recall)|F1 Score --|--|--|--|-- 训练集|0.9759|0.9904|0.9610|0.9746 开发集(验证集)|0.9732|0.9858|0.9605|0.9722 测试集|0.9753|0.9866|0.9634|0.9740 数据集划分比例为： 数据集|比例 --|-- 训练集|0.75 开发集|0.15 验证集|0.15 # 快速开始 我的Python环境是Linux下使用Anaconda安装的，所以请根据自己的实际情况，自行判断是否需要将下面命令中的python和pip替换成python3和pip3。 ## 1.如何训练模型？ - clone项目到本地。 - 下载数据集。 - 在`tf2-rnn-emotional-classifier`路径下，执行命令`pip install -r requirements.txt` - 在`settings.py`中配置好相关路径，并根据个人情况配置好其他参数。 - 在`tf2-rnn-emotional-classifier`路径下，执行命令`python train.py`。 【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。 欢迎下载，沟通交流，互相学习，共同进步！
PRTS:“时间序列的精确和调用”的非官方Python实现
05-18
时间序列的精度和召回率 的非官方python实现。 经典异常检测主要涉及基于点的异常，这些异常是在单个时间点上发生的。 但是，许多现实世界中的异常是基于范围的，这意味着它们会在一段时间内发生。 受此观察结果的...
使用keras实现Precise, Recall, F1-socre方式
12-17
"""精确率""" tp= K.sum(K.round(K.clip(y_true * y_pred, 0, 1))) # true positives pp= K.sum(K.round(K.clip(y_pred, 0, 1))) # predicted positives precision = tp/ (pp+ K.epsilon()) return precision ...
【深度学习】：【结果衡量指标】召回率（Recall），精确率（Precision），F度量（F-measure），Map，ROC，AUC
yuanCruise
05-04 1万+
精确率（Precision），又称为“查准率”。 召回率（Recall），又称为“查全率”。 召回率和精确率是广泛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。其中召回率是是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。精确率是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。如以下公式所示： 召回率(Re...
分类模型评估指标——准确率、精准率、召回率、F1、ROC曲线、AUC曲线
ZJQ的博客
08-27 3328
机器学习模型需要有量化的评估指标来评估哪些模型的效果更好。本文将用通俗易懂的方式讲解分类问题的混淆矩阵和各种评估指标的计算公式。将要给大家介绍的评估指标有：准确率、精准率、召回率、F1、ROC曲线、AUC曲线。
什么是精确率和召回率？
12-25
精确率和召回率是用于评估分类模型性能的两个重要指标。 精确率（Precision）衡量了模型预测为正例的样本中，真正为正例的比例。它表示了模型预测为正例的准确程度。计算公式为：精确率 = 真正例 / (真正例 + 假正例)。 召回率（Recall）衡量了模型能够正确预测为正例的样本数量占所有真实正例样本数量的比例。它表示了模型对于正例样本的查全率。计算公式为：召回率 = 真正例 / (真正例 + 假反例)。 精确率和召回率通常是相互影响的，提高精确率可能会导致召回率下降，反之亦然。因此，在实际应用中需要根据具体需求来选择合适的模型。

“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

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