Precision(查准率) 、Recall(查全率)、F1-Score(F-Measure)、Accuracy(准确率)

最新推荐文章于 2025-09-13 12:05:07 发布

原创

最新推荐文章于 2025-09-13 12:05:07 发布 · 2.9k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #Precision #Recall #F-Score

本文介绍了机器学习中常用的评估标准，包括Precision（查准率）、Recall（查全率）、Accuracy（准确率）和F1-Score（F-Measure）。通过举例解释了这些概念，强调在数据分布不均衡时，仅依赖准确率评估模型的不足，并指出F1-Score在综合评估模型性能上的重要性。

一、机器学习中算法常用的评测标准

在这里插入图片描述

二、Precision(查准率) and Recall(查全率)

以预测病人是否有癌症为例子，假设 $y = 1$ 代表病人有癌症。下面是我从吴恩达老师的机器学习课程中截取的图片：
在这里插入图片描述
True Positive(真正，TP)： 将正类预测为正类数
True Negative(真负，TN)： 将负类预测为负类数
False Positive(假正，FP)： 将负类预测为正类数→误报
False Negative(假负，FN)： 将正类预测为负类数→漏报
在这里插入图片描述

$\begin{aligned} & \text { precision } = \frac { \text { true positives } } { \text { no. of predicted positive } } = \frac{\text{TP}}{\text{TP+FP}} \\ & \text { recall } = \frac { \text { true positives } } { \text { no. of actual positive } }= \frac{\text{TP}}{\text{TP+FN}} \end{aligned}$