准确率、精确率、召回率等基本概念

最新推荐文章于 2024-10-28 16:34:21 发布
最新推荐文章于 2024-10-28 16:34:21 发布
阅读量1.4k 收藏 2
点赞数
分类专栏： 机器学习 文章标签： 算法性能评判介绍
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/woheyusu123/article/details/100737264
版权
本文详细解析了机器学习中常见的评估指标，包括准确率、精确率、召回率、真正确率、假正确率等概念，以及PR曲线和ROC曲线的含义，帮助读者深入理解模型性能的量化标准。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

对于数据测试结果有下面4种情况:

TP: 预测为正，实际为正

FP: 预测为正，实际为负

TN:预测为负，实际为负

FN: 预测为负，实际为正

准确率：
Accuracy=(TP+TN)/(TP+TN+FN+FP)，即预测正确的概率

精确率：
又名查准率，P = TP/ (TP+FP)，即预测为正的正确率

召回率：
又名查全率，R = TP/ (TP+FN)，即正样本的正确率

真正确率：
同召回率，查全率，TPR = TP/ (TP+FN)，即正样本的正确率
假正确率：
FPR =FP/ (FP+TN)，即负样本的错误率

PR曲线：
y轴为精确率，x轴为召回率，越偏右上越好(都很高)，但实际两者相互掣肘，难以同时满足。

ROC曲线：
y轴为真正例率，x轴为假正例率，越偏左上越好
AUC值：
ROC曲线下的面积，值介于0.5到1.0之间，较大的AUC代表了较好的performance。AUC值表示，随机抽取一个正样本和一个负样本，分类器正确给出正样本的score高于负样本的概率。

准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 4万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
准确率，精确率，召回率，F1，AUC
zhangt766的博客
04-24 664
定义：AUC是一个模型评价指标，只能用于二分类模型的评价. AUC是Area under curve的首字母缩写。定义：召回率是指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（正确分类的正例个数占实际正例个数的比例），衡量的是检索系统的查全率。定义：精确率是检索出相关文档数与检索出的文档总数的比率（正确分类的正例个数占分类为正例的实例个数的比例），衡量的是检索系统的查准率。定义：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。缺点：在正负样本不平衡的情况下，这个指标有很大的缺陷。
模型评估方法以及评估指标——准确率、精确率、召回率以及P-R曲线和ROC曲线介绍
qq_42600675的博客
12-06 1万+
模型评估方法以及评估指标介绍前言一、准确率、精确率、召回率1.1 准确率(Accuracy)1.2 精确率(Precision)1.3 召回率(Recall)二、P-R曲线和ROC曲线2.1 P-R曲线2.2 ROC曲线三、模型评估验证方法3.1 Holdout检验3.2 交叉检验3.3 自助法 前言 ”没有测量，就没有科学“ 在机器学习中，只有选择与问题相匹配的评估方法，才能快速地发现模型选择或训练过程中出现的问题，迭代地对模型进行优化。模型评估主要是离线评估和在线评估两个阶段，本文整理了常见的模
精确率和召回率的概念
qq_30505673的博客
06-18 423
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) 而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，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。 其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。 假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查
准确率与召回率的概念
hit_090420216的专栏
03-30 656
准确率和召回率概念及用途
精准率 (Precision)
大连赵哥的博客
07-26 1086
精准率 (Precision)
准确率、精确率、召回率、F1值、ROC/AUC整理笔记
热门推荐
学习容易上瘾
07-09 14万+
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...
准确率、精确率、召回率、F1-score 概念、计算原理
Yaki_Duck的博客
07-25 1317
TP（True Positives)：真正例，即正例预测为真（预测为正例而且实际上也是正例）； FP（False Positives)：假正例，即负例预测为真（预测为正例然而实际上却是负例）； FN（false Negatives)：假负例，即正例预测为假（预测为负例然而实际上却是正例）； TN（True Negatives)：真负例，即负例预测为假（预测为负例而且实际上也是负例）。
详解准确率、精确率、召回率、F1值等评价指标的含义
谓之小一
01-31 3万+
机器学习问题之中，通常需要建立模型来解决具体问题，但对于模型的好坏，也就是模型的泛化能力，如何进行评估呢？ 很简单，我们可以定一些评价指标，来度量模型的优劣。比如准确率、精确率、召回率、F1值、ROC、AUC等指标，但是你清楚这些指标的具体含义吗？下面我们一起来看看吧。 1.混淆矩阵 介绍各个指标之前，我们先来了解一下混淆矩阵。假如现在有一个二分类问题，那么预测结果和实际结果两两结合会出现如下四种...
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 3093
「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...
【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...
精确率（precision）、召回率（recall）、准确率（accuracy）
那年聪聪
12-05 5万+
精确率（precision）、召回率（recall）、准确率（accuracy）
精确率、准确率、召回率
lihe的博客
11-18 1万+
TP: Ture Positive 把正的判断为正的数目 True Positive,判断正确，且判为了正，即正的预测为正的。 FN: False Negative 把正的错判为负的数目 False Negative,判断错误，且判为了负，即把正的判为了负的 FP: False Positive 把负的错判为正的数目 False Positive, 判断错误，且判为了正，即把负的判为了正的 TN: True Negative 把负的判为负的数目 True Negative,判断正确，且判为了负，即把负的判为
准确率（accuracy）、精确率（precision）、召回率（recall）
Cheese_pop的博客
10-13 5万+
整理了知乎上的前两个回答，https://www.zhihu.com/question/19645541 其中精度是检索出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；召回率是指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。一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索
精确率和回召率
深度的魅力
03-15 1723
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 = TP/(TP+FP)。 而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，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。也就是...
精确率（Precision）、召回率（Recall）和F1值
m0_61972043的博客
10-28 1801
text{F1值} = 2 \times \frac{\text{精确率} \times \text{召回率}}{\text{精确率} + \text{召回率}}\text{精确率} = \frac{\text{真正例（TP）}}{\text{真正例（TP）} + \text{假正例（FP）}}\text{召回率} = \frac{\text{真正例（TP）}}{\text{真正例（TP）} + \text{假负例（FN）}}F1值是精确率和召回率的调和平均数，它综合考虑了精确率和召回率的平衡。
目标检测中精确率，召回率，准确率的意思
Yemiekai的博客
09-01 7318
精确率 召回率 准确率
精确率(precision)与召回率(recall)
qq_45431015的博客
12-05 311
精确率(precision)与召回率(recall)
yolo8准确率精确率和召回率
最新发布
02-25
### YOLOv8 模型的准确率、精确率和召回率 对于YOLOv8模型而言，准确理解其性能评估中的几个核心概念至关重要。 #### 准确率（Accuracy） 在多类分类场景下，准确率是指所有预测正确的样本占总样本的比例。然而，在目标检测任务中，“准确率”这一术语并不常用，更多关注的是精确率(Precision)和召回率(Recall)，以及它们衍生出来的mAP指标[^1]。 #### 精确率（Precision） 精确率为真正例(True Positives, TP)除以真正例加假正例(False Positives, FP)的数量，即： \[ \text{Precision} = \frac{\text{TP}}{\text{TP}+\text{FP}} \] 这反映了当模型做出正面预测时，实际为真的比例。高精确率意味着很少有背景或其他物体被错误地标记为目标对象[^3]。 #### 召回率（Recall） 召回率定义为真正例(TP)除以真正例加上假反例(False Negatives, FN)的数量: \[ \text{Recall} = \frac{\text{TP}}{\text{TP}+\text{FN}} \] 该比率表示所有真实存在的目标中有多少被成功识别出来。较高的召回率表明较少的目标丢失未检出。 #### 综合考量 值得注意的是，虽然可以单独优化精确率或召回率，但在实践中往往需要找到两者之间的平衡点。例如，如果仅追求高的召回率而忽视精确率，则可能导致大量误报；反之亦然。因此，通常采用mAP作为整体性能度量标准，因为它考虑到了不同阈值下的平均精度变化情况。 ```python def calculate_precision_recall(tp, fp, fn): precision = tp / (tp + fp) if (tp + fp) != 0 else 0 recall = tp / (tp + fn) if (tp + fn) != 0 else 0 return precision, recall ```
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