【机器学习】模型评价指标中的召回率低的原因

最新推荐文章于 2024-08-28 09:44:05 发布
最新推荐文章于 2024-08-28 09:44:05 发布
阅读量3.6k 收藏 4
点赞数
分类专栏： 机器学习系列文章 文章标签： 召回率
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/wzk4869/article/details/128738075
版权
文章讨论了在模型训练中正负样本错误标注导致的问题，指出这会减弱模型识别正样本的能力，同时影响负样本的精度。解决方案包括修正错误标注和增加数据量，特别是当正负样本比例严重失衡时。此外，特征选择和网络深度也可能影响模型性能。
摘要由CSDN通过智能技术生成

1、样本标注时多数正样本被错误的标注为负样本，这样模型学到正例的能力变弱，这样正样本预测为负样本的同时，负样本的精度也会减少。

方法一：对错误的标注样本进行修正，观察结果，看是否有改变。

2、一般情况下，正负样本比列小于1：100（看到有的人说1：1000一下，数值还不太确定）都不算不平衡。

3、方法二：增加数据量，认为可能是数据量不够，学不上来，效果不够；特征找的不够，则会那个负样本区分力度不大，网络太浅，学不到特征。

总结

正负样本的数量不均衡！

旅途中的宽~
关注
专栏目录
机器学习模型常用评估指标：Precision（精准率、查准率）和Recall（召回率、查全率）的理解和应用
捡起一束光的博客
10-18 3104
Precision和Recall是矛盾统一的两个指标：为了提高Precision，分类器需要尽量在“很有把握”的时候才把样本当做正样本，但这样往往由于过于保守，会漏掉很多“没有把握的正样本”，导致你的召回率（Recall）降低。
F1 Score详解 查准率较高 召回率较低怎末处理？
08-29 7600
https://blog.csdn.net/zjn295771349/article/details/84961596
精确率越高可能导致召回率越低的原因
weixin_50944399的博客
01-24 3597
在实现过程中可能涉及到 “距离” ，如果句子与文章的距离小于0.1，将其定义为相似（这里假如0.1非常小，表示句子与文章非常相似），那么模型查找出来10篇文章，其中9篇都与这个句子非常相似，那么 精确率 =9/（9+1） = 0.9 就非常高，因为设置的距离非常苛刻，可以保证预测出来的大部分文章都与该句子相似,但 召回率=9/100 = 0.09, 这个时候如果设置距离为 0.05，模型查找出来5篇，但这5篇全是与该句子相似的文章，精确率为1,但召回率为5/100 = 0.05更低。
召回率低的原因
laner__gg的博客
11-15 1万+
1、样本标注时多数正样本被错误的标注为负样本，这样模型学到正例的能力变弱，这样正样本预测为负样本的同时，负样本的精度也会减少。 方法一：对错误的标注样本进行修正，观察结果，看是否有改变。 2、一般情况下，正负样本比列小于1：100（看到有的人说1：1000一下，数值还不太确定）都不算不平衡。 3、方法三：增加数据量，认为可能是数据量不够，学不上来，效果不够； 特征找的不够，则会那个负样本区分力度不大，网络太浅，学不到特征。 ...
二分类模型精度高而召回率低的原因
weixin_30512785的博客
02-18 1万+
最近在做二分类模型的调优工作。最终发现模型的正例精度在95%，而正例的召回率在83%，这是什么情况呢。 我把模型预测的2000条样本结果的错误标签和内容都打印出来，发现，在样本标注的时候，多数的正样本被错误的标注为负样本，这样模型学到正例的能力就变弱了，这样将大多数正样本预测为负样本的同时，负样本的精度也会变小。 如果我们想进一步提高召回率，那么需要对错误的标注样本进行修正，再观察结果。看召回...
yolov5 的 mAP 和 召回率很低，但是精准率 AP还可以
weixin_43257313的博客
06-12 3160
yolo学习
机器学习模型评估指标总结！
Datawhale
10-02 1564
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：太子长琴，Datawhale优秀学习者本文对机器学习模型评...
机器学习中的准确率、召回率、F值详解
weixin_49341882的博客
07-27 3260
机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)： 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。 业内目前常用的评价指标有准确率、召回率、F值等等，下图是不同机器学习算法的评价指标。下午讲对其中某些指标做简要介绍。 本文针对二元分类器！ 在介绍指标之前必须先了解...
机器学习模型评估指标汇总
weixin_39048703的博客
11-20 1248
在使用机器学习算法中，针对不同的问题需要用不同的模型评估标准，这里统一汇总并结合自己的理解进行阐述。主要以两大类：分类与回归 一、分类问题 混淆矩阵 混淆矩阵是ROC曲线绘制的基础，同时也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。 一句话解释版本： 混淆矩阵就是分别统计分类模型归错类、归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。 混淆矩阵的定义 混淆矩阵（confusion matrix），它的本质远没有它的名字听上去那么拉风。矩阵，可以理解为就是一张表格，混淆矩
模型评价指标----准确率、精准率、召回率、F1、ROC曲线、AUC曲线
最新发布
m0_37737957的博客
08-28 677
1、精确率（Precision）与召回率（Recall） 2、Precision-recall 曲线、F1-score与准确率（accuracy） 3、ROC、AUC 4、Per-Region-Overlap（PRO）
目标检测中准确率召回率问题
zhe_csdn的博客
07-10 7183
以行人检测为例，精度就是检测出来的行人中确实是行人的所占的百分比；Recall就是正确检出的行人数量占行人总数的百分比，Recall=100%表示没有漏检；这两个常常是一对矛盾，通常我们总是希望既没有虚景也不会发生漏检的情况，也就是Precision和Recall均为100%的状况 ...
准确率（accuracy）、召回率（recall）的意义和区别
weixin_71113035的博客
06-25 767
准确率（accuracy）、召回率（recall）的意义和区别
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC
热门推荐
架构和代码
07-06 5万+
在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式:             召回率(Recall)      =  系统检索到的相关文件 /
不平衡样本多分类评估指标采用哪些？准确率很高，召回率在少数样本上较低。
02-22 740
不平衡样本多分类评估指标采用哪些？准确率很高，召回率在少数样本上较低。
准确率与召回率
weixin_42464525的博客
07-30 2363
1、准确率与召回率（Precision & Recall） 准确率和召回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...
准确率、精确率，召回率以及模型拟合问题
qq_45193988的博客
11-10 1512
准确率、精确率，召回率，模型拟合
机器学习分类指标：精确率、准确率、召回率详解
楼上小宇_home
10-18 1万+
混淆矩阵 在介绍具体的定义之前先了解一些混淆矩阵(confusion matrix)： 一种 NxN 表格，用于总结分类模型的预测效果；即标签和模型预测的分类之间的关联。在混淆矩阵中，一个轴表示模型预测的标签，另一个轴表示实际标签。N 表示类别个数。在二元分类问题中，N=2。例如，下面显示了一个二元分类问题的混淆矩阵示例： - 肿瘤（预测的标签） 非肿瘤（预测的标签） 肿瘤（实际标...
目标检测如何计算召回率_计算机视觉：目标检测 推理与评测
weixin_42298064的博客
12-28 752
1 后处理 1.1 目标检测信息解码 1.2 非极大值抑制 1.3 后处理代码 2 单图片推理 3 VOC测试集评测 3.1 评测基本概念 3.2 mAP计算1 后处理 1.1 目标检测信息解码 模型不是直接预测的目标框信息，而是预测的基于anchor的偏移，且经过了编码。因此后处理的第一步，就是对模型的回归头的输出进行解码，拿到真正意义上的目标框的预测结果。1.2 非极大值抑制 NMS的大致算法...
准确率&&精确率&&召回率&&ROC
weixin_34235105的博客
05-11 778
分类 逻辑回归返回的是概率。您可以“原样”使用返回的概率（例如，用户点击此广告的概率为 0.00023），也可以将返回的概率转换成二元值（例如，这封电子邮件是垃圾邮件）。为了将逻辑回归值映射到二元类别，您必须指定分类阈值（也称为判定阈值）。如果值高于该阈值，则表示“垃圾邮件”；如果值低于该阈值，则表示“非垃圾邮件”。人们往往会认为分类阈值...
机器学习面试必备：算法、评价指标与特征工程
- **PR曲线和F1**：精确率和召回率的综合指标，适用于类别不平衡情况。 - **ROC曲线和AUC**：受试者工作特征曲线及其下面积，用于评估模型的分类性能。 - **AUC与GAUC**：GAUC是加权AUC，考虑到不同样本的重要性...
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

打赏作者

旅途中的宽~

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