ML: accuracy, precision and recall

原创已于 2025-07-17 23:01:31 修改 · 213 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习

于 2025-01-22 17:33:10 首次发布

什么是TP, FP, TN, FN

TP = True Positive

FP = False Positive

TN = True Negative

FN = False Negative

		Prediction
		Positive	Negative
Actual	Positive	True Positive	False Negative
Actual	Negative	False Positive	True Negative

TPR

$TPR=\frac{TP}{TP+FN}$

FPR

$FPR=\frac{FP}{FP+TN}$

Accuracy

$Accuracy = \frac{TP + TN}{TP + TN + FP + FN}$

Precision

$Precision = \frac{TP}{TP + FP}=\frac{TP}{Total Predicted Positive}$

Recall

$Recall = \frac{TP}{TP + FN} = \frac{TP}{Total Actual Positive}$

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

heyetiantian0611

关注关注

2
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

AutoML：自动化FineTuning

AI天才研究院

04-27

617

1. 背景介绍 深度学习的繁荣推动了人工智能在各个领域的应用，但深度学习模型的训练和调优通常需要大量专业知识和时间投入。为了降低深度学习的门槛，AutoML (Automated Machine Learning) 技术应运而生。AutoML 旨在自动化机器学习流程中的各个环节，包括数据预处理、特征工程、模型选择、超参数优化等，从而让更多人能够轻松构

分类问题之决策阈值 - precision vs recall 详解

用途：中英文学习笔记，如有侵权，可评论留言，及时清理；学历：NUS计算机硕士；SYSU地球物理学士

04-02

9648

什么是决策阈值？ sklearn没有让我们直接设置决策阈值，但它让我们可以访问用于进行预测的决策得分(决策函数o/p)。我们可以从决策函数输出中选择最佳得分，并将其设置为决策阈值，并将小于该决策阈值的所有决策得分值视为负类(0)，大于该决策阈值的所有决策得分值视为正类(1)。使用各种决策阈值的精度-召回率曲线，我们可以选择决策阈值的最佳值，以便根据我们的项目是面向精度还是面向召回率分别给出高精度(不太影响召回率)或高召回率(不太影响精度)。这样做的主要目的是根据我们的ML项目分别是面向精度的还是面向召回

参与评论您还未登录，请先登录后发表或查看评论

Accuracy, Precision, Recall & F1 Score: Interpretation of Performance Measures

程永强

07-24

1311

Accuracy, Precision, Recall &amp;amp;amp; F1 Score: Interpretation of Performance Measures http://blog.exsilio.com/all/accuracy-precision-recall-f1-score-interpretation-of-performance-measures/ How to evalu...

【ML学习笔记】11：Accuracy/FAR/FRR/Precision/Recall/ROC/AUC

大桔骑士的学习笔记

12-16

5123

accuracy准确率准确率(accuracy)≠精确率(precision) 准确率=正确率准确率是最传统、最符合我们日常思维的评估方式。在分类问题中，对于任一个实例，在学习机器上跑过以后，如果预测到的标签和其真实标签一样，我们就认为这次预测是准确(accuracy)的。所以准确率即是： P(匹配正确)=num(真实标签=预测标签)用来测试的实例总数P(匹配正确)=\frac{nu

【ML】混淆矩阵（Accuracy，Precision，Recall，F1）

大胡子老哥的博客

12-20

2165

机器学习，混淆矩阵，举例说明

Spark - AUC、Accuracy、Precision、Recall、F1-Score 理论与实战

BITDDD小栈

04-06

2034

Spark AUC、Accuracy、Precision、Recall、F1-Score 理论与实战。

【ML】准确率（Accuracy）、精确率（Precision）、召回率（Recall）等

学无止境、积少成多、厚积薄发

11-16

1392

真实标签(下) 预测标签(右) Positive Negative Positive TP FN Negative FP TN TP:正样本被预测为正样本的个数 FP:负样本被预测为正样本的个数 TN:负样本被预测为负样本的个数 FN:正样本被预测为负样本的个数 TP+FP:被预测为正样本的个数 FN+TN:被预测为负样本的个数 TP+FN:真实正样本的个数 FP+TN:真实负样本的个数 TP+TN+FP+FN:正负样本个数准确率： Accuracy=TP+TNTP+TN+FP+...

ML和DL算法评估(Precision/Recall/F1 score/Specificity/ROC/AUC/AP)总结

gm_margin的博客

02-25

2991

机器学习和深度学习算法评估为了包含尽可能多的性能指标，我们这里只讨论二分类(0/1)问题，比较常见的性能指标包括但不仅限于Precision、Recall(又称为Sensitivity)、Accuracy，F1 score(f1)，Specificity，ROC，AUC，AP(mAP)，下面我们讨论一下这些指标的具体含义。注：暂且用1代表正样本，0代表负样本 TP：实际为1，预测为...

准确率(Accuracy)，精确率/查准率(Precision)，召回率/查全率(Recall)和F1-Measure

m0_38024592的博客

06-15

2377

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, 而不是一个 Bool 类型...

Spark MLlib求解机器学习Precision, Recall, F1值 (Java代码)

wendaocp的博客

05-23

993

Spark MLlib求解Precision, Recall, F1 使用JavaMaven依赖使用的核心类理论准备Precicion, Recall, F1计算Precision计算Recall计算F1注意Java代码回到发放信用卡问题上用到的数据集参考 Maven依赖 <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.11</art

(done) 斯坦福机器学习讨论课4 （分类器评估指标，包括 Accuracy, Precision, Recall, F1score, ROC, AUROC, PRC, 类别不平衡）

shimly123456的博客

03-19

353

TODO: here。

【民族服饰识别系统】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积网络+resnet50算法

子午的博客

11-30

813

民族服饰识别，民族服饰智能识别与分析系统基于TensorFlow框架，采用卷积神经网络（CNN）算法构建而成。系统在收集了回族、汉族、满族、苗族四类典型民族服饰图像数据集的基础上，通过多轮迭代训练，最终生成高精度识别模型，并配合Web可视化平台实现便捷交互。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。

【动物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法

子午的博客

12-01

427

动物识别系统，基于TensorFlow搭建Resnet50卷积神经网络算法，通过对4种常见的动物图片数据集（猫、鸡、马、狗）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。技术栈项目前端使用Html、CSS、BootStrap搭建界面。后端基于Django处理逻辑请求基于Ajax实现前后端数据通信选题背景与意义在人工智能技术蓬勃发展的当下，动物识别作为计算机视觉领域的重要应用方向，有着广泛的实际需求，如动物保护监测、智能安防等场景均需精准高效的动物识别能力。

深入浅出卷积神经网络（CNN）：从LeNet到Vision Transformer的演进及其实战应用

最新发布

云雾J视界的博客

12-04

794

本文系统梳理卷积神经网络从LeNet到Vision Transformer的演进脉络，聚焦“为何选用ResNet而非VGG”这一典型面试问题，揭示其背后的技术选型逻辑。文章基于CVPR、ICLR等顶会论文及MLPerf等公开基准，深入剖析四代架构——奠基（LeNet/AlexNet）、深度爆发（VGG/ResNet）、效率觉醒（MobileNet）与注意力时代（ViT/ConvNeXt）的核心创新与工程权衡。

深度学习实战（基于pytroch）系列（四十一）长短期记忆（LSTM）pytorch简洁实现

echo的博客

11-29

1125

本文介绍了使用PyTorch简洁实现长短期记忆网络(LSTM)语言模型的方法。首先读取周杰伦歌词数据集并进行预处理，然后定义包含LSTM层和全连接层的RNN模型类，其中LSTM需要同时处理隐藏状态和细胞状态。文章详细展示了模型初始化、预测函数实现以及训练过程，包括梯度裁剪和数据迭代器设计。通过对比手动实现，突出了PyTorch框架在简化LSTM实现方面的优势，为自然语言处理任务提供了高效的解决方案。

深度学习1.1-软件安装-Anaconda软件与pyCharm软件安装

诚朴勇毅

12-03

514

为了研究深度学习与信号处理的结合，我又开始搞起了深度学习，博一的时候浅试过一次都失败了，这次打算学习一下Pytorch和一些最新的网络，好好做几篇论文。首先就是搭环境。我先安装了一个Anaconda，从网上搜了一大堆，我的理解是，Anaconda就是一个包管理器，因为pythoh版本太多了，而且要装的包也很多，各种包之间容易产生冲突，为了杜绝这个问题，我们可以安装一个Anaconda，它就像一个虚拟机，可以创建不同的操作系统，我们创建的不同任务和工程可以跑在不同的环境下。

【代码分享】基于CNN（卷积神经网络）-BiLSTM（双向长短时记忆网络）-KDE（核密度估计）的多变量时间序列预测

2501_94304238的博客

11-30

1705

本文提出了一种基于CNN-BiLSTM-KDE的多变量时间序列预测模型。该模型结合CNN提取时空特征，BiLSTM捕捉时序依赖，并创新性地引入KDE进行误差分布建模，实现高精度的点预测和可靠的区间预测。模型支持任意维度的风电、光伏等能源数据输入，自动完成预处理、训练和预测全过程。实验结果表明，该方法在预测精度和不确定性量化方面表现优异，为能源预测等场景提供了端到端的解决方案。

循环神经网络（RNN）：从序列数据难题到实战落地的完整指南

倔强的石头的博客

12-01

1021

循环神经网络（RNN）是专为处理序列数据设计的深度学习模型，解决了传统神经网络无法捕捉序列依赖关系的核心问题。RNN通过记忆状态（Hidden State）实现短期记忆功能，在处理文本、时间序列等数据时能够保留前序信息。其核心结构包括输入层、循环单元和输出层，通过共享权重参数实现序列元素的连续处理。然而，传统RNN存在梯度消失/爆炸的缺陷，导致长序列处理能力受限。为此，LSTM和GRU等改进模型引入门控机制，通过遗忘门、输入门和输出门精细调控记忆更新，显著提升了长序列建模能力。

深度学习调参手册：学习率、Batch Size 的最优搭配策略

dream_it_come_in的博客

11-30

1152

绑定关系：LR 与 BS 是 “步长” 和 “导航精度” 的关系，大 BS 配大 LR，小 BS 配小 LR，遵循 “线性缩放原则”；场景优先：显存充足选大 BS + 适配 LR，显存不足选小 BS + 小 LR + 梯度累积，特殊任务针对性调整；迭代验证：先定 BS 基线，再配初始 LR，最后对比多组组合，以验证集性能为核心指标。

=== 模型评估 === ML 模型准确率: 0.6621004566210046 precision recall f1-score support 0 0.75 0.81 0.78 160 1 0.34 0.27 0.30 59 accuracy 0.66 219 macro avg 0.55 0.54 0.54 219 weighted avg 0.64 0.66 0.65 219 === 策略绩效指标 === 原始收益累计: 0.30 策略收益累计: 5.66 夏普比率（原始）: -0.15 夏普比率（策略）: 1.57 最大回撤（原始）: 2.32 最大回撤（策略）: 1.07 策略胜率: 13.18%

07-12

- 不要只看 accuracy，应关注 `precision`, `recall`, `f1-score`, `AUC` - 可以使用 `roc_auc_score` 来评估二分类器的整体性能 ```python from sklearn.metrics import roc_auc_score print("ROC AUC Score:", ...