分类评判标准：准确率，召回率，F值

最新推荐文章于 2022-11-01 14:31:57 发布
原创 最新推荐文章于 2022-11-01 14:31:57 发布 · 1.6k 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

注：由于翻译时有的Precision会翻译成准确率有的会翻译成精确率，我就不纠结这个到底是什么了，总之评价的标注有：Precision, Recall, F-score。

以前一直觉得Precision是可以用 对的/总的，今天和师姐一起稍稍研究了一下发现并不是这样的。师姐说我说的这个 对的/总的 叫做Accuracy 

     +1    -1
+1   TP    FP
-1   FN    TN

TP：模型把正类预测为正类
FP：模型把正类预测为负类
FN：模型把负类预测为正类
TN：模型把负类预测为负类
Precision
Precision的意义是：预测为正的样本中有多少是真正的正样本
计算公式：Precision = TP/(TP+FP)
Recall
Recall的意义是：样本中的正例有多少被预测正确了
计算公式： Recall = TP/(TP+FN)
F-score
F-Measure是Precision和Recall加权调和平均。
这里写图片描述
当α=1时就是我们最常见的F1值
这里写图片描述

Reference
知乎-如何解释召回率与准确率？

分类模型评估：混淆矩阵、准确率、召回率、ROC
Laurence的技术博客
02-13 4271
在二分类问题中，混淆矩阵被用来度量模型的准确率。因为在二分类问题中单一样本的预测结果只有Yes or No，即：真或者假两种结果，所以全体样本的经二分类模型处理后，处理结果不外乎四种情况，每种情况都有一个专门称谓，如果用一个2行2列表格描述，得到的就是“混淆矩阵”。其中，假阳性（FP）又被称为“Type 1 Error”，假阴性（FN）又被称为“Type 2 Error”。在所有“预测为真”（TP+FP）的数据中，有多少是“真得预测对了”（TP）的? 这个百分比叫“准确率”（Precision）在所有“实际
准确率，召回率，F值，机器学习分类问题的评价指标
weixin_34399060的博客
08-16 241
下面简单列举几种常用的推荐系统评测指标： 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...
分类指标：准确率、精确率、召回率、F1 score以及ROC、AUC、宏平均、加权平均
TFATS的博客
06-29 1万+
本文将介绍： 混淆矩阵（Confusion Matrix） 准确率（accuracy） 召回率（recall） 精确率（precision） F1score ROC和AUC 宏平均(macro avg) 微平均(micro avg) 加权平均(weighted avg) 一，混淆矩阵（Confusion Matrix） 在n分类模型中，使用n行n列的矩阵形式来表示精度，纵列代表n个分类，在每行中的n个数据代表分别预测在每个类别的个数，完美的预测应该是一个列序数=行中有数据的索引数的一条斜线。 TP：
多分类机器学习评价指标之准确率、精确率、召回率、F1值、ROC、AUC
qwe1110的博客
12-04 2万+
准确率、精确率、召回率、F1值 定义： 准确率（Accuracy）：正确分类的样本个数占总样本个数， A = (TP + TN) / N 精确率（Precision）：预测正确的正例数据占预测为正例数据的比例， P = TP / (TP + FP) 召回率（Recall）：预测为正确的正例数据占实际为正例数据的比例， R = TP / (TP + FN) F1 值（F1 score...
多分类任务中精确率(Precision)、召回率(Recall)以及准确率(Accuracy)评估指标的计算
m0_38052500的博客
12-29 2万+
多分类中精确率和召回率的计算
准确率(Precision)、召回率(Recall)、F值对于模型的评估
qq_32572085的博客
04-15 4710
一、有哪些模型评估方法？ 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。 业内目前常常采用的评价指标有准确率(Precision)、召回率(Recall)、F值(F-Measure)等，下图是不同机器学习算法的评价指标。下文讲对其中某些指标做简要介绍。 倾向于使用准确率，是因为熟悉它的定义，而不是因为它是评估模型的最佳工具！ 精度（查准率）和召回率（查全率）...
详解准确率、精确率、召回率、F1值等评价指标的含义
热门推荐
谓之小一
01-31 3万+
机器学习问题之中，通常需要建立模型来解决具体问题，但对于模型的好坏，也就是模型的泛化能力，如何进行评估呢？ 很简单，我们可以定一些评价指标，来度量模型的优劣。比如准确率、精确率、召回率、F1值、ROC、AUC等指标，但是你清楚这些指标的具体含义吗？下面我们一起来看看吧。 1.混淆矩阵 介绍各个指标之前，我们先来了解一下混淆矩阵。假如现在有一个二分类问题，那么预测结果和实际结果两两结合会出现如下四种...
TP、FN、FP、TN、准确率、召回率、F1
羊老羊
09-07 2727
助记：TP、FN、FP、TN 主讲：精确率 召回率
理解准确率、精确率、召回率等评价指标含义以及在SVM模型中的应用
Liii_NN的博客
09-06 1万+
目录 一、混淆矩阵 二、实例分析 1、准确率（Accuracy） 2、精确率（Precision） 3、召回率（Recall） 4、F值 5、AUC 总结 一、混淆矩阵 混淆矩阵（Confusion Matrix）是评估模型结果的指标，属于模型评估的一部分，如下图所示。 实际表现 1 0 预测表现 1 TP FP 0 FN TN 如果用T(True)代表正确、F(False)代表错误、P(Pos...
分类、推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure) /(F-score)
smilehehe110的博客
12-21 1万+
对一些分类、推荐系统的评测指标如准确率（Precision）、召回率（Recall）和综合指标（F-measure）作了说明。
机器学习基础（五十三）—— 精确率与召回率（多分类问题精确率和召回率的计算）
04-22 1万+
精确率（precision），召回率（recall）由混淆矩阵（confusion matrix）计算得来。 在信息检索中，精确率通常用于评价结果的质量，而召回率用来评价结果的完整性。实际上，精确度（precision）是二元分类问题中一个常用的指标。 精确度就是标记为“正”，而确实是”正“的样本占所有标记为“正”的样本的比例。 TPTP+FP \frac{TP}{TP+FP} 和精确率一起出现
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
weixin_34144450的博客
07-22 1万+
yu Code 15 Comments  机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。(注： 相对来说，IR 的 ground truth 很多时候是一个 Ordered List, 而不是...
分类指标准确率(Precision)和正确率(Accuracy)的区别
lizz2276的博客
05-24 6936
http://www.cnblogs.com/fengfenggirl/p/classification_evaluate.html 一、引言 分类算法有很多，不同分类算法又用很多不同的变种。不同的分类算法有不同的特定，在不同的数据集上表现的效果也不同，我们需要根据特定的任务进行算法的选择，如何选择分类，如何评价一个分类算法的好坏，前面关于决策树的介绍，我们主要用的正确率（accuracy）来评价分类算法。 正确率确实是一个很好很直观的评价指标，但是有时候正确率高并不能代表一个算法就好。比如某个地区某天地震
【机器学习笔记15】多分类混淆矩阵、F1-score指标详解与代码实现（含数据）
issey的博客
11-01 2万+
混淆矩阵简介;二分类混淆矩阵;多分类混淆矩阵;准确率、精确率、召回率、特异度；F1-score；示例与代码实现；使用sklearn对比计算结果是否正确
【教学】图像分类算法中的召回率recall、精准率precision和f1score得分等计算。
分享知识
05-15 3049
TP: 预测为1(Positive)，实际也为1(Truth-预测对了) TN: 预测为0(Negative)，实际也为0(Truth-预测对了) FP: 预测为1(Positive)，实际为0(False-预测错了) FN: 预测为0(Negative)，实际为1(False-预测错了)
机器学习分类问题指标评估内容详解（准确率、精准率、召回率、F1、ROC、AUC等）
Emins的博客
07-04 1万+
看懂机器学习指标：准确率、精准率、召回率、F1、ROC曲线、AUC曲线
TensorFlow 精确率和召回率
小鹏AI
06-17 1086
精确率按照输出来算、召回率按输入来算 男 女 60 50 10 40 20 20 精确率：5050+20\frac{50}{50+20}50+2050​ 召回率：2020+20\frac{20}{20+20}20+2020​ 综合召回率和综合精确率是相等的 代码实现：利用样本进行手写数字的识别–计算精确率 ...
在tensorflow里面使用sklearn得到召回率等指标
pdn的博客
08-14 1642
#%% import numpy as np import pandas as pd import sklearn from sklearn.model_selection import train_test_split from sklearn.preprocessing import LabelEncoder from tensorflow import keras #%% seed = 7 ...
地震波P波S波准确率、召回率、F1
最新发布
01-10
### 地震波P波和S波分类模型的性能指标 在地震学领域，构建用于区分P波（压缩波）和S波（剪切波）的机器学习模型时，准确率、召回率以及F1分数是衡量其表现的重要标准。 #### 准确率(Precision) 对于P波和S波分类任务而言，准确率反映了被判定为特定类别（比如P波或S波）中的样本有多少比例确实是该类别的成员。如果一个模型声称检测到了多个P波事件，那么这些预测中有多少真正属于P波即由准确率来表示[^1]。 #### 召回率(Recall) 另一方面，召回率则侧重于实际存在的某一类型的波动中有多大份额能够成功识别出来。例如，在所有真实的P波实例里，模型可以正确标记出来的百分比就构成了针对这一类目的召回率；同样适用于S波的情况。 #### F1分数(F1 Score) 考虑到单独依赖准确率或者召回率可能无法全面反映模型的好坏——有时为了提高一方可能会牺牲另一方的表现——因此引入了综合两者优点而来的评价尺度:F1得分。它通过调和平均的方式平衡了上述两个方面的影响因素，从而提供了一个更加均衡可靠的评判依据。 ```python from sklearn.metrics import precision_score, recall_score, f1_score def evaluate_model(y_true, y_pred): """ 计算并打印给定真实标签y_true与预测结果y_pred之间的准确率、召回率及F1分数 参数: y_true : array-like of shape (n_samples,) 实际的目标值 y_pred : array-like of shape (n_samples,) 预测得到的目标值 返回: None """ p = precision_score(y_true, y_pred, pos_label='p_wave') r = recall_score(y_true, y_pred, pos_label='p_wave') f1 = f1_score(y_true, y_pred, pos_label='p_wave') print(f"P-Wave Precision: {p:.4f}") print(f"P-Wave Recall: {r:.4f}") print(f"P-Wave F1-Score: {f1:.4f}") # 假设我们有如下形式的真实标签列表和对应的预测输出 true_labels = ['s_wave', 'p_wave', ... ] predicted_results = ['s_wave', 'p_wave', ... ] evaluate_model(true_labels, predicted_results) ```
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