本文详细介绍了机器学习中常用的评价指标，包括准确率、精确率、召回率和F值的概念，并通过实例进行解析。正确率衡量预测正确的样本比例，召回率表示正类预测的准确性，F值则是两者的调和平均数。在不同的应用场景中，需要根据实际情况平衡Precision和Recall的重要性。F1 Score作为综合评价指标，能有效反映试验方法的效果。
1.准确率、精确率、召回率和 F 值是在统计待考察对象集体后，得出的重要评价指标。
不妨看看这些指标的定义：
TP-将正类预测为正类
FN-将正类预测为负类
FP-将负类预测位正类
TN-将负类预测位负类
准确率（正确率）=所有预测正确的样本/总的样本 =（TP+TN）/总样本
精确率= 将正类预测为正类 / 所有预测为正类 = TP/（TP+FP）
召回率 = 将正类预测为正类 / 所有正真的正类 = TP/（TP+FN）
F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值）
2.现在有这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：
正确率 = 700 / (700 + 200 + 100) = 70%
召回率 = 700 / 1400 = 50%
F值 = 70% * 50% * 2 / (70% + 50%) = 58.3%
不妨看看如果把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化：
正确率 = 1400
最低0.47元/天 解锁文章
821
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
