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

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.2k累计阅读 1.3k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄8年

关注

VIP免费原创最新推荐文章于 2026-02-18 00:57:02 发布 1.2k 阅读 AI 写同款· GEO 优化 ›

Sklearn工具包及模型评估一、Sklearn工具包介绍　　scikit-learn，又写作sklearn，是一个开源的基于python语言的机器学习工具包。它通过NumPy, SciPy和Matplotlib等python数值计算的库实现高效的算法应用，并且涵盖了几乎所有主流机器学习算法。　　官网：https://scikit-learn.org/stable/index.html 1、常用模块　　Skle... 阅读详情

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

收录于

当前文章被以下社区和专栏收录：

精确率（Precision）和召回率（Recall）和准确率（accuracy）的区别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。阅读详情

相关推荐

(内含源码)多分类问题评估的精确率、召回率，f1度量即precision，recall，f1-measure的python代码实现

multiclassify-eval 代码开源在github上，有需要的同学可以点这里multiclassify-eval来git clone。 A simple python module to calculate precision, recall, accuracy and f-measure for multi-classify evaluation. 一个基于Python的简单的多...

Vodake的博客 7099

分类评价指标Accuracy/Recall/Precision/F-score/FalseAlarm

分类评价指标Accuracy/Recall/Precision/F-score/FalseAlarm一、前言二、评价指标介绍1. Accuracy(准确率)2. Recall(召回率、查全率)新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导

李芳足大大的博客 2153

精度(precision)，召回率(recall)，map

目标检测中经常会见到precision，recall，map三个指标用来评估一个模型的优劣，当然在很多其他的应用中也可以看到这三个指标的具体应用；因此很有必要对这三个指标进行详细的了解。在介绍这三个指标之前有必要先了解几个基本的术语：True positives，True negatives，False positives，False negative。大雁和飞机假设现有一个测试集，测试集中仅包含大雁和飞机两种目标，如图所示：假设分类的目标是：取出测试集中所有飞机图片，而非大雁图片现做如下定义：

pikaqiu_n95的博客 4875

最高K值的精确率和召回率——Python实现

常用的评估指标是精确率和召回率。当模型预测的结果正确时，我们称其为真阳性 (True Positive, TP)，而当模型预测结果错误时，我们称其为假阳性(False Positive, FP)。同样地，当模型未能检测到真正的正例时，我们称其为假阴性 (False Negative, FN)，而当模型成功预测出负例时，我们称其为真阴性 (True Negative, TN)。我们按照预测概率从高到低排序，并计算最高K值的精确率、召回率和对应阈值。例如，在癌症诊断中，考虑到误诊的后果严重，我们更关注精确率；

BUG？不存在的！ 244

【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

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

钱多多先森 4万+

stm32H743基于CubeMX配置为双ADC多通道DMA规则采样

stm32H743的ADC支持的最大频率为36MHz，有相关资料上说是可以超频，具体技术细节不多讨论。需求：使用stm32H743的ADC采集5路ovrc

xtqbp的博客 4361

离线安装 nvidia-docker2(nvidia-container-toolkit)

很多时候大家都有用docker使用gpu的需求，但是因为网络等原因不是那么好用，这里留了一个给ubuntu的安装包，网络好的话也提供了在线安装方式。

father_yingying的博客 1181

基于FPGA的TDC延迟链优化与码密度校准方法（1）——原理与实现

本文深入探讨了基于FPGA的时间数字转换器（TDC）延迟链非均匀性问题及其码密度校准方法。通过分析工艺偏差、温度电压影响等根源，详细介绍了码密度测试原理、逐位校准技术及气泡消除算法，并分享了自适应校准策略与多场景应用实践，有效提升TDC测量精度至皮秒级。

kiwi8的博客 488

论文阅读笔记（一）细粒度图像检索

0、参考文献 [1]见微知著 http://geek.youkuaiyun.com/news/detail/191718 [2]Xiu-Shen Wei 《Selective Convolutional Descriptor Aggregation for Fine-Grained Image Retrieval》 [3]Lingxi Xie 《Fine-Grained Image Search》 1...

huang2818138的博客 1万+

Android 白名单保活实战：主流厂商适配指南

本文详细解析了Android应用白名单保活的实战策略，重点针对华为、小米、OPPO、vivo等主流厂商的系统特性，提供了精准的后台设置页面跳转适配方案。文章从基础的前台服务实现讲起，深入讲解了白名单的判断、申请与厂商适配的核心代码与避坑指南，旨在帮助开发者合规、稳定地提升应用后台存活率。

motor的博客 1861

QT绘制饼图+柱状图+折线图

使用qt绘制，折线图，饼图，柱状图，多柱状图

梅山 3878

高数 | 【极限与等价无穷小】两个重要极限 & 经典错误 & 什么情况下求极限可以直接带入

一. 第一个重要极限二. 第二个重要极限三. 导数定义式全文见【高等数学】两个重要的极限 - 知乎

"You are worthy! You can do it!" 6万+

Cesium 实战 26 - 自定义纹理材质 - 箭头流动线（图片纹理）

Cesium 实战 - 自定义纹理材质 - 箭头流动线（图片纹理）。