【机器学习】原理+实例， 一文掌握 精确率、召回率与F1分数，再也不迷路。

1、引言

小屌丝：鱼哥，你在给我详细的唠叨唠叨 精确率，召回率和F1分数。
小鱼：这…这不是机器学习基本知识吗
小屌丝：不就是基础没打好，所以才让你在给我唠叨一次。
小鱼：感情我这是循环播放器啊
小屌丝：鱼哥，那你就在播放一次。
小鱼：那可没时间
小屌丝：播放完，我们去…
小鱼：去哪里？干啥去？我可是正经人。
小屌丝：… 我也没说你不是正经人哦
小鱼：这… 还差不多。 我可不是为了那几张门票的！
小屌丝： 对对对

小鱼：看样子还不服气…
小屌丝：必须服气，你说的都对。
小鱼：这还差不多。

2、定义

2.1 精确率

精确率衡量的是被预测为正例的样本中实际为正例的比例。

它关注的是在模型预测为正例的样本中，有多少是真正的正例。

计算公式为：

$$\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}$$

其中：

• FP（False Positives）：假正例，即实际为负例但被模型预测为正例的样本数。
• 精确度越高，意味着模型预测为正例的样本中，误报的样本越少。

2.2 召回率

召回率也称为查全率，它衡量的是实际为正例的样本中被预测为正例的比例。换句话说，召回率关注的是在所有真正例（True Positives, TP）中，模型找出了多少真正例。

计算公式为：
$$\text{Recall}=\frac{\text{TP}}{\text{TP}+\text{FN}}$$
其中：

• TP（True Positives）：真正例，即实际为正例且被模型预测为正例的样本数。
• FN（False Negatives）：假反例，即实际为正例但被模型预测为负例的样本数。

2.3 F1分数

F1分数是召回率和精确度的调和平均数，用于综合评估模型的性能。

它旨在平衡召回率和精确度，因为有时单独优化其中一个指标可能会导致另一个指标的性能下降。

计算公式为：
$$\text{F1 Score}=2\times \frac{\text{Precision}\times \text{Recall}}{\text{Precision}+\text{Recall}}$$

F1分数越高，意味着模型在召回率和精确度上都表现良好，综合性能较优

2.4 二分类任务

在机器学习的分类任务中，特别是二分类任务中，TP、FP、FN、TN 是四个常用的指标，用于描述模型预测结果与实际标签之间的关系。

这四个指标的具体含义如下：

• 真正例 (True Positive, TP)：模型预测为正例，且实际标签也为正例的样本数。这些样本被模型正确地识别为正例。

• 假正例 (False Positive, FP)：模型预测为正例，但实际标签为负例的样本数。这些样本被模型错误地识别为正例，也称为误报。

• 真反例 (True Negative, TN)：模型预测为负例，且实际标签也为负例的样本数。这些样本被模型正确地识别为负例。

• 假反例 (False Negative, FN)：模型预测为负例，但实际标签为正例的样本数。这些样本被模型错误地识别为负例，也称为漏报。

这四个指标构成了一个混淆矩阵 (Confusion Matrix)，它是评估分类模型性能的一种常用工具。

混淆矩阵可以直观地显示模型分类的详细结果，帮助分析模型的错误类型。

举个栗子：

样本	预测	实际
1	正例	正例
2	负例	负例
3	正例	负例
4	负例	正例

在这个例子中：

• 样本1是真正例（TP），因为模型预测为正例，实际也是正例。
• 样本2是真反例（TN），因为模型预测为负例，实际也是负例。
• 样本3是假正例（FP），因为模型预测为正例，但实际是负例。
• 样本4是假反例（FN），因为模型预测为负例，但实际是正例。

计算召回率、精确度和F1分数：

• 召回率 = TP / (TP + FN) = 1 / (1 + 1) = 0.5
• 精确度 = TP / (TP + FP) = 1 / (1 + 1) = 0.5
• F1分数 = 2 * (精确度 * 召回率) / (精确度 + 召回率) = 2 * (0.5 * 0.5) / (0.5 + 0.5) = 0.5

2.5 代码示例

# -*- coding:utf-8 -*-
# @Time   : 2024-01-21
# @Author : Carl_DJ

'''
实现功能：
    基于二分类任务，使用scikit-learn库来计算并展示召回率、精确度和F1分数

'''

from sklearn.metrics import precision_score, recall_score, f1_score, confusion_matrix, accuracy_score  
  
# 假设我们有以下预测结果和实际标签  
y_true = [0, 1, 1, 0, 1, 1, 0, 0, 1, 1]  # 实际标签  
y_pred = [0, 1, 0, 0, 0, 1, 1, 0, 1, 1]  # 模型预测结果  
  
# 计算混淆矩阵  
cm = confusion_matrix(y_true, y_pred)  
print("混淆矩阵:")  
print(cm)  
  
# 计算召回率  
recall = recall_score(y_true, y_pred)  
print(f"召回率 (Recall): {recall}")  
  
# 计算精确度  
precision = precision_score(y_true, y_pred)  
print(f"精确度 (Precision): {precision}")  
  
# 计算F1分数  
f1 = f1_score(y_true, y_pred)  
print(f"F1分数 (F1 Score): {f1}")  
  
# 计算准确率  
accuracy = accuracy_score(y_true, y_pred)  
print(f"准确率 (Accuracy): {accuracy}")  
  
# 解释混淆矩阵  
tp, fp, fn, tn = cm.ravel()  
print(f"真正例 (TP): {tp}")  
print(f"假正例 (FP): {fp}")  
print(f"假反例 (FN): {fn}")  
print(f"真反例 (TN): {tn}")  
  
# 根据混淆矩阵解释召回率和精确度  
print(f"召回率 = TP / (TP + FN) = {tp} / ({tp + fn}) = {recall}")  
print(f"精确度 = TP / (TP + FP) = {tp} / ({tp + fp}) = {precision}")  
  
# F1分数的公式  
print(f"F1分数 = 2 * (精确度 * 召回率) / (精确度 + 召回率) = 2 * ({precision} * {recall}) / ({precision} + {recall}) = {f1}")

运行结果

混淆矩阵:  
 [[3 1]  
 [1 5]]  
召回率 (Recall): 0.8333333333333334  
精确度 (Precision): 0.8333333333333334  
F1分数 (F1 Score): 0.8333333333333334  
准确率 (Accuracy): 0.8  
真正例 (TP): 5  
假正例 (FP): 1  
假反例 (FN): 1  
真反例 (TN): 3  
召回率 = TP / (TP + FN) = 5 / (5 + 1) = 0.8333333333333334  
精确度 = TP / (TP + FP) = 5 / (5 + 1) = 0.8333333333333334  
F1分数 = 2 * (精确度 * 召回率) / (精确度 + 召回率) = 2 * (0.8333333333333334 * 0.8333333333333334) / (0.8333333333333334 + 0.8333333333333334) = 0.8333333333333334

3、总结

我是小鱼：

• CSDN 博客专家；
• 阿里云 专家博主；
• 51CTO博客专家；
• 企业认证金牌面试官；
• 多个名企认证&特邀讲师等；
• 名企签约职场面试培训、职场规划师；
• 多个国内主流技术社区的认证专家博主；
• 多款主流产品(阿里云等)测评一、二等奖获得者；

关注小鱼，学习【机器学习】&【深度学习】知识，不再迷路。