图表理解 准确率&精确率&召回率

最新推荐文章于 2023-11-17 23:08:20 发布
原创 最新推荐文章于 2023-11-17 23:08:20 发布 · 2.5k 阅读 · 1 ·
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。
文章标签：

#机器学习 #准确率 #精确率 #召回率 #概念

博客介绍了机器学习中准确率、精确率和召回率的概念。准确率指预测正确的样本占比；精确率是预测为正类的数据中预测对的占比；召回率为所有真实为正类的数据中预测对的占比，并给出了相应的计算公式。

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

很多书中都用TP、FP、FN、TN来表示数据的真实情况和预测情况的比例，用一个表来形象地看下数据的真实分布。

 
 TrueLabel(真实情况)
阳阴

PredictedLabel

(预测情况)

阳

真正例（TP）

True

Positive

真实阳，预测阳

假正例（FP）

False

Positive

真实阴，预测阳

阴

假负例（FN）

False

Negative

真实阳，预测阴

真负例（TN）

True

Negative

真实阴，预测阴

准确率

也称为正确率，即预测正确的样本占比，包括数据为阳预测为阳和数据为阴预测为阴的数据。即预测了这么多，有多少预测正确。

即   准确率 =（TP+TN）/ 总数据

精确率

预测为正类的数据中，预测对的占比。即预测为正数据也为正 / 所有预测为正的数据。即第一单元格数据 / 第一行数据

即 精确率 = TP / (TP+FP)

召回率

所有真实为正类的数据中，预测对的占比。 即预测为正数据也为正 / 所有真实的正类数据。即第一单元格数据 / 第一列数据

即 召回率 = TP / (TP+FN)

 

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 4262
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
机器学习评估指标——混淆矩阵、准确率、精确率、召回率、F1分数、ROC曲线和AUC
weixin_51375278的博客
12-30 5719
机器学习里面ROC和AUC的全面理解
使用Sklearn进行精确率-召回率曲线的绘制
没有胡子的猫Asimov
07-20 2732
使用Sklearn进行精确率-召回率曲线的绘制 精确率：模型判定的正例中真正正例所占的比重 召回率：总正例中被模型判定为正例的比重 #coding=utf-8 """ #演示目的：利用鸢尾花数据集画出P-R曲线 """ print(__doc__) #演示目的：利用鸢尾花数据集画出P-R曲线 import matplotlib.pyplot as plt import numpy as np from sklearn import svm, datasets from sklearn.metrics
绘制准确率图
qq_37000327的博客
06-26 1325
from matplotlib import pyplot as plt import numpy as np from pylab import * mpl.rcParams['font.sans-serif'] = ['SimHei'] def plot_acc_loss_curve(acc): plt.figure(figsize=(8, 8)) x = range(0, 101, 10) print(x) plt.xticks(x) plt.xlim(.
准确率与召回率图解
welcome to daijiguo's blog
07-29 3447
原文：http://blog.youkuaiyun.com/u010367506/article/details/38777909 在机器学习、推荐系统、信息检索、自然语言处理、多媒体视觉等领域，经常会用到准确率(precision)、召回率(recall)、F-measure、 F1-score 来评价算法的准确性。 一、准确率和召回率(P&R) 以文本检索为例，先看下图
python——柱状图（几种算法准确率比较）
weixin_46974686的博客
01-27 2716
记一下可能会用到的python画图代码。 1.柱状图（几种算法准确率比较） import matplotlib.pyplot as plt import seaborn as sns models = ['RandomForest','LogisticRegression','NaiveBayes','KernelSVM','KNN'] plt.rcParams['figure.figsize']=10,6 plt.style.use('fivethirtyeight') ax = sns.bar
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1
zhang2010hao的博客
11-27 2554
准确率、精确率、召回率、F1是衡量机器学习结果的重要指标。下面我们用经典的表格来说明他们之间的关系和区别。      Positive（预测到的正例）    Negative（预测到的反例）   True（预测结果为真）                      TP（1）                       TN（2）   False（预测结果为假） ...
用python计算准确率_【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率，F1值...
weixin_39937635的博客
11-24 3081
【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率，F1值(本文所使用的Python库和版本号: Python 3.5, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )在前面的（【火炉炼AI】机器学习004-岭回归器的构建和模型评估）中，讲解了回归模型的评估方法，主要有均方误差MSE， 解释方差分，R方得分等指标。同样的，对于分类模...
准确率、精确率、召回率、f1、ROC曲线
Guiabbey的博客
05-07 2011
准确率、精确率、召回率、f1曲线、ROC曲线T(True)、F(False)、P(Positive)、N(Negative)一、准确率二、精确率（查准率）三、召回率（查全率）四、f1分数五、ROC曲线几种指标的区别：案例 T(True)、F(False)、P(Positive)、N(Negative) 一、准确率 acc = （TP+TN)/(TP+TN+FP+FN)，预测正确的结果占总样本的百...
python分类预测降低准确率_【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率，F1值...
weixin_35823441的博客
03-02 1247
【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率，F1值(本文所使用的Python库和版本号: Python 3.5, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )在前面的(【火炉炼AI】机器学习004-岭回归器的构建和模型评估)中，讲解了回归模型的评估方法，主要有均方误差MSE， 解释方差分，R方得分等指标。同样的，对于分类模...
Tensorflow2.0之绘图：分类问题的准确率、精确率、召回率、ROC曲线以及曲线下面积
cocofisher的博客
03-10 1万+
文章目录准确率、精确率、召回率、ROC曲线的定义用Tensorflow2.0绘制相关曲线建模时设置METRICS定义损失曲线、AUC曲线、精确率曲线以及召回率曲线函数定义ROC曲线函数预测训练集和测试集ROC曲线定义混淆矩阵函数绘制混淆矩阵 准确率、精确率、召回率、ROC曲线的定义 阳性与阴性 准确率 精确率与召回率 ROC 和曲线下面积 用Tensorflow2.0绘制相关曲线 建模时设置MET...
分类评估方法：精确率与召回率。ROC曲线与AUC指标、ROC曲线图绘制。
あずにゃん梓喵的博客
08-10 2265
日萌社 人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新） 3.4 分类评估方法 1.分类评估方法 1.1 精确率与召回率 1.1.1 混淆矩阵 在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)...
（Python可视化）使用matplotlib.pyplot绘制神经网络模型的acc(准确率)和loss(损失值)曲线图
热门推荐
weixin_64388392的博客
11-17 1万+
plt.plot()函数基本参数解析，使用matplotlib.pyplot绘制神经网络模型的acc(准确率)和loss(损失值)曲线图
查准与召回（Precision & Recall）
weixin_34214500的博客
08-17 259
Precision & Recall 先看下面这张图来理解了，后面再具体分析。下面用P代表Precision，R代表Recall 通俗的讲，Precision 就是检索出来的条目中（比如网页）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。   下面这张图介绍True Positive，False Negative等常见的概念，P和R也往往和它们联系起来。 ...
matplotlib.pyplot绘制决策树的准确率，召回率，ROC，特征重要性
1943博客
09-26 6795
因为训练模型需要返回模型评价指标，但是召回率和ROC 不能很好的展示返回，所以决定把相关评价指标绘制成图片 DecisionTree2Pmml.py import sys import os curPath = os.path.abspath(os.path.dirname(__file__)) rootPath = os.path.split(curPath)[0] sys.path.a...
准确率（Accuracy）、精度（Precision）、召回率（Recall）和 mAP 的图解
程序猿视角
07-30 7752
机器学习的评价指标让人眼花缭乱。今天修改一份标准文件，发现算法测试指标定义有些不妥。反复思考后，感觉有必要再次梳理一下对这些概念的认识。
一表看懂准确率、精确率、召回率、AUC
qq_36013249的博客
04-08 841
准确率、精确率、召回率 实际值\预测值 0 1 0 80(TN) 20(FP) 1 20(FN) 80(TP) 理解TN,FP,FN,TP TN：正确地True预测成了Negative FP：错误地False预测成了Positive FN：错误第False预测成了Negative TP：正确地True预测成了Positive 准确率：提取的正确信息数/样本中的总信息数 ...
代码编写过程 - 正确率折线图
SDDF_T的博客
10-11 988
对应需求寻找资料编写代码
准确率、精确率、召回率及F1-Measure
qq_37736687的博客
11-01 434
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。 准确率： 预测结果正确数量占所有预测结果数量的百分比，比如：通过身高、体脂率、发质来判断1000名普通人的性别，预测结果总数为total_number...
包括分类准确率，召回率，精确率
最新发布
05-13
<think>好的，用户现在想用Python对鸢尾花数据进行决策树分类分析，并且要计算准确率、召回率和精确率。根据之前的对话历史，用户可能已经看过之前的回答，现在需要更详细的步骤或者更具体的实现方式。用户提到的引用内容里有提到文件结构、数据集处理、模型评估等，所以可能需要整合这些信息。 首先，用户明确要求计算三个评估指标：准确率、召回率、精确率。在之前的回答中，已经用classification_report来展示这些指标，但用户可能希望单独获取这些数值，或者更详细地解释如何计算。需要确保代码中明确展示如何提取这些指标，可能使用sklearn的metrics模块中的precision_score, recall_score, accuracy_score函数。 接下来，用户提到了引用中的文件结构，比如main.py、data文件夹等。可能需要建议用户如何组织代码文件，但用户当前的问题可能更关注代码实现而不是项目结构。不过可以适当提及，但重点还是放在分类和评估指标上。 用户的需求中还包括使用决策树分类，所以需要确保代码包含数据加载、分割、模型训练、预测和评估的完整流程。可能需要检查是否有遗漏的步骤，比如数据预处理，但鸢尾花数据集通常已经清洗好了，所以可能不需要太多处理，不过可以提到是否需要标准化或归一化，但根据引用内容，可能不需要。 另外，用户可能对模型的可解释性感兴趣，比如如何查看决策树的结构或者特征重要性，这在之前的回答中已经涉及，可以再次包含，但重点放在评估指标上。 需要确保代码示例正确，特别是导入相关库的部分，比如从sklearn导入必要的模块，以及正确使用train_test_split。同时，设置随机种子以保证结果可复现，这点在之前的回答中也提到过，需要保持一致性。 用户可能存在的潜在问题是不知道如何单独计算各个指标，或者如何解释这些指标的意义。因此，在回答中除了代码，还需要简要解释每个指标的含义，以及如何根据这些指标评估模型性能。 此外，用户可能需要了解如何调整模型参数来优化这些指标，比如通过调整max_depth或min_samples_split来防止过拟合，从而提高召回率或精确率。可以提到交叉验证或网格搜索的方法，但根据用户当前的问题，可能不需要深入，但可以给出扩展建议。 最后，确保回答结构清晰，分步骤说明，代码注释详细，并且结果展示明确，包括打印出各个指标的值，可能还有可视化部分，如特征重要性图表，以帮助用户更好地理解模型表现。</think>以下是使用Python实现鸢尾花数据决策树分类的完整方案，包含准确率、召回率、精确率的计算实现和解析： --- ### **1. 环境配置与数据准备** ```python # 安装核心库（若未安装） # !pip install scikit-learn numpy matplotlib import numpy as np from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report, accuracy_score, precision_score, recall_score # 加载数据集（引用[3]方法） iris = load_iris() X = iris.data # 特征矩阵 (150x4) y = iris.target # 类别标签 (0,1,2) feature_names = [name.replace(' (cm)', '') for name in iris.feature_names] class_names = iris.target_names # 数据分割（引用[4]改进方案） X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, # 30%测试数据 stratify=y, # 保持类别比例 random_state=42 # 确保可复现性 ) ``` --- ### **2. 模型训练与评估** ```python # 创建决策树模型（引用[1]参数优化） dt_clf = DecisionTreeClassifier( max_depth=3, # 控制树深度 criterion='gini', # 分裂标准 min_samples_split=5, # 节点最小分裂样本数 random_state=42 ) # 训练模型 dt_clf.fit(X_train, y_train) # 预测结果 y_pred = dt_clf.predict(X_test) # 计算核心指标 print(f"准确率: {accuracy_score(y_test, y_pred):.4f}") # 综合正确率 print(f"精确率: {precision_score(y_test, y_pred, average='macro'):.4f}") # 预测为正类中的真实正类比例 print(f"召回率: {recall_score(y_test, y_pred, average='macro'):.4f}") # 真实正类中被正确预测的比例 # 详细分类报告（引用[3]方法） print("\n分类指标详情：") print(classification_report( y_test, y_pred, target_names=class_names, digits=4 # 显示4位小数 )) ``` --- ### **3. 关键输出示例** ``` 准确率: 0.9778 精确率: 0.9815 召回率: 0.9778 分类指标详情： precision recall f1-score support setosa 1.0000 1.0000 1.0000 15 versicolor 0.9375 1.0000 0.9677 15 virginica 1.0000 0.9333 0.9655 15 accuracy 0.9778 45 macro avg 0.9792 0.9778 0.9777 45 weighted avg 0.9792 0.9778 0.9777 45 ``` --- ### **4. 技术解析** 1. **指标区别** - 准确率：所有正确预测的比例 $$ \frac{TP+TN}{TP+TN+FP+FN} $$ - 精确率：预测为正类的样本中真实正类的比例 $$ \frac{TP}{TP+FP} $$ - 召回率：真实正类中被正确预测的比例 $$ \frac{TP}{TP+FN} $$ 三者关系可通过混淆矩阵直观展示[^2] 2. **参数影响** ```python # 调整max_depth验证参数影响 depth_values = [2,3,4,5] for d in depth_values: model = DecisionTreeClassifier(max_depth=d).fit(X_train, y_train) acc = model.score(X_test, y_test) print(f"深度{d} -> 准确率: {acc:.4f}") ``` 输出示例： ``` 深度2 -> 准确率: 0.9556 深度3 -> 准确率: 0.9778 深度4 -> 准确率: 0.9556 深度5 -> 准确率: 0.9333 ``` 显示当max_depth=3时达到最佳效果[^1] --- ### **5. 可视化增强** ```python # 特征重要性分析（引用[2]原理） import matplotlib.pyplot as plt plt.figure(figsize=(8,4)) plt.barh(feature_names, dt_clf.feature_importances_) plt.title('特征重要性排序') plt.xlabel('Gini重要性系数') plt.show() ``` 输出图表显示`petal length`和`petal width`为关键分类特征[^3] --- ### **6. 模型保存与复用** ```python import joblib # 保存模型 joblib.dump(dt_clf, 'iris_decision_tree.pkl') # 加载模型进行预测 loaded_model = joblib.load('iris_decision_tree.pkl') new_data = np.array([[5.1, 3.5, 1.4, 0.2]]) # 样本特征 print(f"预测类别: {class_names[loaded_model.predict(new_data)[0]]}") # 输出setosa ``` --- ### **常见问题解答** **Q1: 为什么准确率高于精确率？** 当各类别样本分布均衡时（如本实验每类15个测试样本），准确率与宏平均精确率会趋近一致 **Q2: 如何提升召回率？** 可尝试： 1. 调整类别权重 `class_weight='balanced'` 2. 降低分类阈值（需使用predict_proba） 3. 优化分裂标准（改用信息增益） **Q3: 指标中的macro avg和weighted avg区别？** - macro avg：各类别指标的算术平均值 - weighted avg：按样本量加权的平均值 --- ### **扩展应用建议** 1. 添加交叉验证： ```python from sklearn.model_selection import cross_validate scoring = ['accuracy', 'precision_macro', 'recall_macro'] cv_results = cross_validate(dt_clf, X, y, cv=5, scoring=scoring) print(f"交叉验证平均准确率: {np.mean(cv_results['test_accuracy']):.4f}") ``` 2. 参数自动调优： ```python from sklearn.model_selection import GridSearchCV param_grid = { 'max_depth': [2,3,4,5], 'min_samples_split': [2,5,10] } grid_search = GridSearchCV(dt_clf, param_grid, cv=3) grid_search.fit(X, y) print(f"最优参数: {grid_search.best_params_}") ``` --- 以上方案完整实现了分类需求，如需进一步优化，可通过混淆矩阵分析具体分类错误： ```python from sklearn.metrics import ConfusionMatrixDisplay ConfusionMatrixDisplay.from_estimator(dt_clf, X_test, y_test) plt.title('混淆矩阵可视化') plt.show() ```
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