Precision（精准率） and Recall（召回率）

最新推荐文章于 2025-06-26 18:52:36 发布
最新推荐文章于 2025-06-26 18:52:36 发布
阅读量2.6k 收藏 5
点赞数
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： 机器学习 标准
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.youkuaiyun.com/Xyzx043874/article/details/54969239
本文介绍了在机器学习中遇到偏斜类别数据集时，精确度作为评估标准的局限性。文章通过图解阐述了精准率和召回率的概念，并指出在处理如奖学金获取或疾病诊断等类别不平衡问题时，应使用精准率和召回率作为评价模型性能的指标。同时，提到了F1值在选择模型和调整λ值中的作用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在机器学习系统设计的时候会遇到一类数据集：Skewed Classes 。这意味着在分类时一种类别比其他的类别多的多。
会出现的情况：构建的模型的精确度（代价） 甚至不如直接将其全部分为数量多的那个类别。比如：分类是否获得学校奖学金，分类是否是癌症患者。
带来的问题：将精确度（或者代价）作为衡量算法是否好的标准变的不再有效。
解决的方法：使用Precision（精准率） and Recall（召回率） 取代精确度（代价） 。

1. 图解Precision和Recall

这里写图片描述
图中True 或 False 表示预测是否准确，Postive 或 negative 表示预测的两种类别。

Precision=True positivePredicted postive=True positiveTrue positive + 
最低0.47元/天 解锁文章

200万优质内容无限畅学
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 3496
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。
准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 4万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
precision和recall
佐井白白的微笑
12-05 854
Recall(召回率);Precision（准确率）;F1-Meature（综合评价指标）;首先来个定义： Precision:被检测出来的信息当中 正确的或者相关的（也就是你想要的）信息中所占的比例； Recall：所有正确的信息或者相关的信息(wanted)被检测出来的比例。查了资料都习惯使用四格图来解释,来个易懂的四格图： true positives (纳真) fal
一封邮件读懂准确率、精准率、召回率、F1 Score
最新发布
weixin_43495982的博客
06-26 843
通过垃圾邮件过滤器的案例，深入浅出地讲解了AI模型评估中的四个核心指标：准确率、精准率、召回率和F1分数。结合产品经理视角，分别说明了各指标在实际业务场景中的意义与权衡方式，帮助读者建立“指标选择 = 业务目标匹配”的评估思维。适合产品、运营、技术跨职能沟通时快速参考。
Precision和Recall
weixin_43455016的博客
08-13 2163
和是评估分类模型性能的两个重要指标，它们虽然都与模型的正确性相关，但关注的角度和用途有所不同。
precision and recall
u012836354的博客
01-20 5308
首先强调multi-class 和multi-label是不同的，前者是每个样本只属于一个类别，后者是每个样本可以有多个类别标记，即多个类别在模式识别，信息检索，二分类等问题中常常需要对结果进行评价，评价的几个指标通常是准确率（accuracy），精确率（precision）和召回率（recall）1、分类问题举个二分类的问题，类别狗为正，猫为负。测试用例12只动物，7只狗，5只猫。识别出8只狗，...
机器学习中的 precision、recall、accuracy、F1 Score
简简单单的生活．．．
01-14 1万+
1. 四个概念定义：TP、FP、TN、FN先看四个概念定义： - TP，True Positive - FP，False Positive - TN，True Negative - FN，False Negative如何理解记忆这四个概念定义呢？举个简单的二元分类问题 例子：假设，我们要对某一封邮件做出一个判定，判定这封邮件是垃圾邮件、还是这封邮件不是垃圾邮件？如果判定是垃圾邮件，那就是做出
Precision和Recall​
weixin_42035080的博客
09-22 3572
2021-09-22 Precision和Recall 首先，Precision和Recall都是评估正类的，分子都是TP。 Precision: 精确率，也称“查准率”，是基于我们的预测结果的，在我们的预测结果中，与标签相比，正确预测的记为TP，错误预测的记为FP。 Precison = TP / (TP + FP) Recall:召回率，也称“查准率”，是基于原样本中所有正类的，在我们的预测结果中，与标签相比，正确预测的记为TP，没预测出的记为FN（也称漏检，即把原样本中的正类预测为负类）。R.
精确率（Precision）和召回率（Recall）和准确率（accuracy）的区别
weixin_56533314的博客
09-27 2552
精确率关注的是模型预测为正类时有多准确，适合误报代价高的场景。召回率关注的是模型能够识别出多少正类样本，适合漏报代价高的场景。准确率关注的是模型整体的预测正确性，但在类别不均衡时可能误导决策。三者的选择取决于具体应用场景中的任务需求和代价。
PR曲线（Precision-Recall Curve，精确率-召回率曲线）
weixin_44012667的博客
06-26 6756
PR曲线（Precision-Recall Curve，精确率-召回率曲线）是一种用于评估二分类模型性能的工具，特别适用于不平衡数据集。PR曲线通过绘制精确率（Precision）与召回率（Recall）之间的关系，展示模型在不同决策阈值下的表现。
准确率accuracy、精确率precision、召回率recall、f1_score
happy_wealthy的博客
05-18 1114
准确率(accuracy):对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。 由准确率，我们的确可以在一些场合，从某种意义上得到一个分类器是否有效，但它并不总是能有效的评价一个分类器的工作。举个例子,google抓取 了argcv 100个页面，而它索引中共有10,000,000个页面,随机抽一个页面，分类下,这是不是argcv的页面呢?如果以accuracy来判断我的工 作，那我会把所有的页面都判断为"不是argcv的页面",因为我这样效率非常高(return false,一句话),而accu
Precision（准确率）和Recall（召回率）介绍
热门推荐
weixin_42638415的博客
10-20 4万+
为什么我们需要Precision(准确率)和Recall(召回率)？ 首先我们仅仅只看loss的话，会出现什么问题。 举个例子：比如对于一个二分类的模型，我们通过训练得到最终loss仅为5%，也就是准确率达到了95%，这很明显我们认为这是一个比较优秀的模型。 但是，如果我们的训练数据，仅有3%的数据对应标签为0，也就是负样本，其余均为正样本，对应标签为1. 这样会发生什么？如果我们的网络只能输出1，无论输入是什么，都只能输出1，这...
precision与Recall
lzz555517的博客
08-31 8905
precision与Recall 在机器学习中，precision与recall是常用的指标，在说这两个概念之前，首先来说下精度(Precision)与准度(Accuracy)。 Precision指精度，意味着随机误差(Random Error)小，即方差(Variance)小，描述了实际值的扰动情况。 Accuracy指准度，意味着系统误差(System Error)小，即偏差(Bias)小，描述了实际值与真实结果的偏离程度。 准确度高，意味着误差(Error)小，Error = Bias + Var
清晰理解precision(精确度)和recall(召回度)
weixin_43865152的博客
07-29 9994
1、TP TN FP FN的概念 TP TN FP FN里面一共出现了4个字母，分别是T F P N。 TP（True Positives）意思就是被分为了正样本，而且分对了。 TN（True Negatives）意思就是被分为了负样本，而且分对了， FP（False Positives）意思就是事实上这个样本是负样本，但是你当成正的了。误报！ FN（False Negatives）意思就是事实上这个样本是正样本，但是你没识别出来。漏报！ 2、precision（精确度）和recall（召回率） Preci
Precision (精确率) 和 Recall (召回率)
weixin_51976215的博客
04-08 1万+
Precision (精确率) 和 Recall (召回率) 是机器学习中的两个重要指标，用于评估分类模型的性能。精确率指预测为正的样本中真正为正的样本占比，召回率指真正为正的样本中被正确地预测为正的样本占比。其中，TP 表示真正为正的样本预测为正，FP 表示真正为负的样本预测为正，FN 表示真正为正的样本预测为负。通常情况下，精确率和召回率是相互矛盾的，提高精确率会降低召回率，反之亦然。
精准率召回率
04-02
### 关于精准率和召回率的概念与计算 #### 精准率（Precision） 精准率是指在所有被模型预测为正例的样本中，实际为正例的比例。它衡量的是模型对于正例预测的准确性。其计算公式如下： \[ \text{Precision} = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Positives (FP)}} \] 其中： - True Positives (TP): 被正确预测为正例的实际正例数量。 - False Positives (FP): 被错误预测为正例的实际负例数量。 这一概念强调减少误报的重要性，在某些场景下尤为重要，比如医疗诊断或金融欺诈检测[^2]。 #### 召回率（Recall） 召回率指的是在所有实际为正例的样本中，被模型成功预测为正例的比例。它反映的是模型对正例的覆盖程度。其计算公式如下： \[ \text{Recall} = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Negatives (FN)}} \] 其中： - False Negatives (FN): 实际为正例却被预测为负例的数量。 高召回率意味着尽可能多地找到所有的正例，这在诸如疾病筛查等应用场景中非常关键[^3]。 #### 精准率与召回率的区别 精准率关注的是预测结果的质量，即预测为正例的结果中有多少是真正的正例；而召回率则侧重于覆盖率，表示有多少比例的真实正例被正确识别出来。两者之间通常存在权衡关系——提高其中一个可能会降低另一个[^4]。 为了综合评价这两者的表现，常用的方法之一是通过F1分数来进行平衡。F1分数定义为精准率和召回率的调和平均数，具体公式为： \[ F1 = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} \] 此指标能够在一定程度上兼顾两者的优劣表现[^5]。 ```python from sklearn.metrics import f1_score, precision_score, recall_score # 示例数据 y_true = [0, 1, 1, 0, 1, 0, 1, 0] y_pred = [0, 1, 0, 0, 1, 1, 1, 0] precision = precision_score(y_true, y_pred) recall = recall_score(y_true, y_pred) f1 = f1_score(y_true, y_pred) print(f"Precision: {precision}") print(f"Recall: {recall}") print(f"F1 Score: {f1}") ```
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
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