通用算法（ML,DL）分类判定指标：召回率 Recall、精确度Precision、准确率Accuracy等

最新推荐文章于 2024-07-26 08:35:03 发布

-dragon-

最新推荐文章于 2024-07-26 08:35:03 发布

阅读量6.1k

点赞数 1

分类专栏： ML/DL 文章标签： DL 算法 ML

本文链接：https://blog.csdn.net/yywan1314520/article/details/50813262

版权

本文介绍了在二分类问题中评估算法性能的标准，包括True Positive、True Negative、False Positive和False Negative。接着详细讲解了精确度(Precision)、准确率(Accuracy)和召回率(Recall)这三个关键指标的定义及它们在衡量分类器性能中的作用。精确度反映了被判定为正例中真正正例的比例，准确率展示了分类器整体判定能力，而召回率则表示正确判定的正例占总正例的比重。

摘要由CSDN通过智能技术生成

                    
                        
                    
                    1.当用算法实现某一问题后，如何证明算法有效性？如何证明你的算法比别的算法更优。特别是针对二分类问题，下面介绍一下分类标准。 
2 标准 
表示分类正确： 
True Positive：本来是正样例，分类成正样例。 
True Negative：本来是负样例，分类成负样例。 
表示分类错误： 
False Positive ：本来是负样例，分类成正样例，通常叫误报。 
False Negative：本来是正样例，分类成负样例，通常叫漏报。 
3.评价方法 
3.1 精确度（Precision）： P = TP/(TP+FP) ; 反映了被分类器判定的正例中真正的正例样本的比重 
3.2 准确率（Ac
                