分类模型的精确率（precision）与召回率（recall）（Python）

最新推荐文章于 2025-07-09 14:00:24 发布
最新推荐文章于 2025-07-09 14:00:24 发布
阅读量1.1k 收藏 2
点赞数
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。
本文链接：https://blog.youkuaiyun.com/hftytf/article/details/87252540
本文介绍了分类模型中的关键指标——精确率（precision）和召回率（recall），包括TP、FN、FP和TN的概念。同时提到了伪阳性率FPR的定义，并鼓励读者通过实例学习人工智能。

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

                       
  • TP：true positive，将正类预测为正类
  • FN：false negative，将正类预测为负类
  • FP：false positive，将负类预测为正类
  • TN：true negative，将负类预测为负类



伪阳性率FPR（False Positive Rate，在真实为阴性的样本中，被误诊为阴性的比率，在真实为阴性（FP+TN）的样本中，被误诊为阳性（FP）的比值）：

最低0.47元/天 解锁文章

200万优质内容无限畅学
【模型评估】Python混淆矩阵、FP、FN、TP、TN、ROC、FROC、mAP、Precision、Recall、Accuracy、F1 score详述与实现
钱多多先森
08-14 4万+
深度学习中，模型评估常用的指标、实现算法汇总。后续还会有几个章节，对其中的各个小点进行详述
机器学习中的模型评估：精确率-召回率曲线与F1分数
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
03-20 1848
在机器学习项目中，评估模型的性能是确保模型有效性和可靠性的关键步骤。精确率-召回率曲线（Precision-Recall Curve, PR Curve）和F1分数是评估分类模型性能的重要指标，尤其是在处理不平衡数据集时。这些指标可以帮助我们更好地理解模型在不同阈值下的性能，选择最适合任务的模型。本文将从精确率-召回率曲线和F1分数的基本概念出发，通过一个完整的代码示例带你入门，并探讨其应用场景和注意事项。精确率-召回率曲线（PR Curve）是一种性能度量，用于评估二元分类模型的性能。
详解分类指标Precision，Recall，F1-Score
酒酿小圆子呀～
07-20 7573
在使用机器学习算法的过程中，我们需要对建立的模型进行评估来辨别模型的优劣，下文中主要介绍常见的几种评估指标。以下指标都是对分类问题的评估指标。在二分类任务中，假设只有正类（1）和负类（0）两个类别，True（1）和False（0）分别表示预测结果对或错；Positive（1）和Negative（0）表示预测为正类或负类。这里：True/False代表判断结果是否正确，Positive/Negative代表预测类别结果。
准确率（Precision）和召回率（Recall）——小白都能懂的解释
最新发布
牧晨加油站
07-09 636
准确率和召回率是评估分类模型性能的关键指标。准确率衡量预测正类的可靠性（TP/(TP+FP)），召回率反映对正类的覆盖能力（TP/(TP+FN)）。二者存在权衡关系：提高准确率可能降低召回率，反之亦然。实际应用中需根据场景选择侧重（如医疗重召回率，垃圾邮件过滤重准确率），或使用F1分数（两者的调和平均）综合评估。典型示例中，某疾病检测模型准确率和召回率均为75%，体现了二者在不同业务需求中的差异化应用价值。
Python3写精确率(precision)、召回率(recall)以及F1分数(F1_Score)
热门推荐
Aries
12-03 3万+
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...
关于模型评价指标： 精确率，召回率，AUC等，计算AUC的python程序实现
weixin_43832437的博客
08-02 3236
精确率：
pytorch实战：详解查准率（Precision）、查全率（Recall）与F1
forGemini的博客
11-24 2万+
pytorch实战：详解查准率（Precision）、查全率（Recall）与F1 1、概述 本文首先介绍了机器学习分类问题的性能指标查准率（Precision）、查全率（Recall）与F1度量，阐述了多分类问题中的混淆矩阵及各项性能指标的计算方法，然后介绍了PyTorch中scatter函数的使用方法，借助该函数实现了对Precision、Recall、F1及正确率的计算，并对实现过程进行了解释。 观前提示：阅读本文需要你对机器学习与PyTorch框架具有一定的了解。 Tips：如果你只是想利用PyTo
精确率（Precision）和召回率（Recall）和准确率（accuracy）的区别
weixin_56533314的博客
09-27 2541
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。
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
python计算召回率_机器学习之分类：精确率和召回率
weixin_39603573的博客
11-22 1339
精确率精确率指标尝试回答以下问题：在被识别为正类别的样本中，确实为正类别的比例是多少？精确率的定义如下：Precision = \dfrac{TP}{TP + FP}注意：如果模型的预测结果中没有假正例，则模型的精确率为 1.0 。让我们来计算一下上一部分中用于分析肿瘤的机器学习模型的精确率：精确率 = \dfrac{TP}{TP + FP} = \dfrac{1}{1 + 1} = 0.5该模型...
计算目标检测二分类结果的Precision,Recall,TP,FP与FN(python)
11-04
输入标注txt文件与预测txt文件路径，计算P、R、TP、FP与FN。txt格式为class、归一化后的矩形框中点x y w h，可调整IOU阈值
【机器学习】精确率(precision)、召回率(recall)以及F1分数的概念讲解加python代码实现
张陈亚的博客
05-12 1万+
概念理解： 一、理解查准率（precision）& 查全率（recall） 我们在平时常用到的模型评估指标是精度（accuracy）和错误率（error rate），错误率是：分类错误的样本数站样本总数的比例，即E=n/m（如果在m个样本中有n个样本分类错误），那么1-a/m就是精度。除此之外，还会有查准率和查全率，下面举例解释。 按照周志华《机器学习》中的例子，以西瓜问题为例。 错误率：有多少比例的西瓜被判断错误； 查准率（precision）：算法挑出来的西瓜中有多少比例是好西瓜； .
在分类任务中准确率（accuracy）、精确率（precision）、召回率（recall）和 F1 分数是常用的性能指标，如何在python中使用呢？
qlkaicx的博客
01-18 1974
在机器学习和数据科学中，准确率（accuracy）、精确率（precision）、召回率（recall）和 F1 分数是常用的性能指标，用于评估分类模型的性能。
python计算召回率,一次计算精度，召回率和F分数-python
weixin_31468621的博客
11-24 241
Accuracy, precision, recall and f-score are measures of a system quality in machine-learning systems. It depends on a confusion matrix of True/False Positives/Negatives.Given a binary classification t...
python 计算召回率的程序_python实现计算精度、召回率和F1值
weixin_39655085的博客
12-17 4341
python实现计算精度、召回率和F1值摘要：在深度学习的分类任务中，对模型的评估或测试时需要计算其在验证集或测试集上的预测精度(prediction/accuracy)、召回率(recall)和F1值。本文首先简要介绍如何计算精度、召回率和F1值，其次给出python编写的模块，可直接将该模块导入在自己的项目中，最后给出这个模块的实际使用效果。一、混淆矩阵及P、R、F1计算原理1、混淆矩阵在进行...
Python scikit-learn，分类模型的评估，精确率和召回率，classification_report
白雪
04-06 1602
分类模型的评估标准一般最常见使用的是准确率（estimator.score()），即预测结果正确的百分比。 混淆矩阵： 准确率是相对所有分类结果；精确率、召回率、F1-score是相对于某一个分类的预测评估标准。 精确率(Precision)：预测结果为正例样本中真实为正例的比例（查的准）（{TP}/{TP+FP}） 召回率(Recall)：真实为正例的样本中预测结果为正例的比例（查的全）（{TP}/{TP+FN}） 分类的其他评估标准：F1-score，反映了模型的稳健型 .
Precision和Recall
chen_znn的博客
06-04 2107
本文解释了Precision和Recall
python实现图像二分类召回率（numpy）
Major_S的博客
10-20 793
真实值是negative，模型认为是positive的数量(False Positive=FP)真实值是positive，模型认为是negative的数量(False Negative=FN)真实值是positive，模型认为是positive的数量(True Positive=TP)真实值是negative，模型认为是negative的数量(True Negative=TN)模型预测为真正，占所有真正的比重。
python计算PR曲线sklearn.metrics.precision_recall_curve
Mr.horse的博客
08-04 2万+
PR曲线实则是以precision（精准率）和recall（召回率）这两个为变量而做出的曲线，其中recall为横坐标，precision为纵坐标。设定一系列阈值，计算每个阈值对应的recall和precision，即可计算出PR曲线各个点。 precision=tp/(tp+fp) recall=tp/(tp+fn) 可以用sklearn.metrics.precision_recall_curve计算PR曲线 from sklearn.metrics import precis...
Recall（召回率）与Precision（精确率）pr
03-29
### 召回率 (Recall) 和 精确率 (Precision) #### Recall 召回率 的定义 召回率是指在所有实际为正类的样本中，被模型正确预测为正类的比例。其公式可以表示为： \[ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} \] 其中： - TP 表示真正例（True Positive），即实际为正类且被预测为正类的数量； - FN 表示假负例（False Negative），即实际为正类但被预测为负类的数量。 召回率反映了模型对于正类样本的覆盖能力，越高说明漏检越少[^3]。 --- #### Precision 精确率 的定义 精确率是指在所有被模型预测为正类的样本中，实际为正类的比例。其公式可以表示为： \[ \text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} \] 其中： - FP 表示假正例（False Positive），即实际为负类但被预测为正类的数量。 精确率衡量的是模型预测正类的准确性，越高说明误报越少。 --- #### Recall 和 Precision 的区别 两者的计算方式不同，因此关注的重点也有所不同： - **Recall** 关注的是模型能够找到多少真正的正类样本，强调的是查全的能力。 - **Precision** 则更注重于模型预测为正类的结果中有多少是真实的正类，强调的是查准的能力。 两者之间存在权衡关系，在某些情况下提高其中一个可能会降低另一个[^1]。 --- #### Recall 和 Precision 的联系 为了综合考虑这两个指标，通常会引入 F1 值来平衡二者的关系。F1 值的公式如下： \[ \text{F1-Score} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} \] 这表明当精确率和召回率达到某种均衡状态时，F1 值才会较高。 --- #### PR 曲线的作用 PR 曲线通过绘制不同的决策阈值下 Precision 和 Recall 的变化情况，直观展示了模型在这两个维度上的表现。特别是在处理类别不平衡的数据集时，PR 曲线下方的面积（Area Under the Curve, AUC）被称为 AP 值（Average Precision），它能更好地反映模型的整体性能[^2]。 以下是绘制 PR 曲线的一个简单 Python 实现例子： ```python from sklearn.metrics import precision_recall_curve import matplotlib.pyplot as plt # y_true 是真实标签，y_scores 是模型输出的概率分数 precision, recall, thresholds = precision_recall_curve(y_true, y_scores) plt.figure() plt.plot(recall, precision, marker='.') plt.xlabel('Recall') plt.ylabel('Precision') plt.title('Precision-Recall Curve') 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