推荐系统中评估指标的精准率,准确率,召回率,P-R曲线,ROC曲线,AUC曲线

本文详细介绍了准确率、精准率和召回率等分类模型评估指标,强调了P-R曲线和ROC曲线在评估中的作用。P-R曲线展示了模型在不同阈值下的精准率和召回率,而ROC曲线通过真阳性率和假阳性率展示了二分类器的性能,AUC值则量化了ROC曲线下的面积,反映模型区分正负样本的能力。ROC曲线在正负样本分布变化时保持稳定,适合跨测试集评估,而P-R曲线更能体现特定数据集上的模型表现。

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

准确率:指分类正确的总样本个数的比例
精准率:指分类正确的正样本个数占分类器判定为正样本的样本个数的比例
召回率:分类正确的正样本个数占真正的正样本个数的比例
为了综合评估一个排序模型的好坏,不仅要看模型在不同TopN下的精准率和召回率,而且最好的绘制出模型的P-R曲线。
P-R曲线的横轴为召回率,纵轴为精准率。
在用P-R曲线评估模型时,只用某个点对应的精准率和召回率时不能全面的衡量模型的性能,只有通过P-R曲线的整体表现,才能够对模型进行更为全面的评估
均方根误差:
在这里插入图片描述
一般情况下,RMES能够很好的反映回归模型预测值于真实值的偏离程度,但是在实际问题中,如果存在个别偏离程度非常大的离群点时,即使离群点数量非常少,也会让RMES指标表得很差。针对这个问题解决方案:
1、认定这些离群点是“噪声点”的话,就需要在数据预处理的阶段把这些噪声点过滤点
2、如果不认为这些离群点是噪声点,那就进一步需要提高模型的预测能力,这些离群点产生的机制建模进去。
3、找个更好的指标来评估模型,而平均绝对百分比误差(MAPE)它相当于把每个点的误差进行了归一化,降低个别离群点带来的绝对误差的影响
在这里插入图片描述
ROC曲线:作为评估二分类器最重要的指标之一。
ROC曲线的横坐标为假阳性率(FPR)和纵坐标为真阳性率(

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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