查准率和召回率判断模型好坏

本文介绍了评估机器学习模型性能的关键指标,包括查准率、召回率和F1分数,并通过实例展示了如何使用这些指标来衡量模型的有效性。

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

查准率:预测为1的数据中,真的是1的比例。sklearn.metrics.precision_score()

召回率:真的是1的数据中 ,被预测为1的比例 sklearn.metrix.recall_score()

F1Score=2*PR/(P+R) 来判断模型的好坏;sklearn.metrix.f1score() 

理想状态是预测是1的全部真的是1(即查准率=1)&真的是1的全部被预测是1,(即召回率=1);此时F1Score=1,模型完美;最差的状态是查准率或召回率都趋近于0;F1Score也→0;若P=0.4,R=0.6,F1Score=2*0.4*0.6/(0.4+0.6)=0.48;


本套大数据热门技术Spark+机器学习+贝叶斯算法系列课程,历经5年沉淀,调研企业上百家,通过上万学员汇总,保留较为完整的知识体系的同时,让每个模块看起来小而精,碎而不散。在本课程中基于大量案例实战,深度剖析讲解Spark2.4原理新特性,且会包含完全从企业真实业务需求中抽取出的案例实战。内容涵盖Spark核心编程、Spark SQLSpark Streaming、Spark内核以及源码剖析、推荐系统、Kafka消费机制、Spark机器学习、朴素贝叶斯算法、企业级实战案例等。通过理论实际的紧密结合,可以使学员对大数据Spark技术栈有充分的认识理解,在项目实战中对Spark流式处理应用的场景、以及大数据开发有更深刻的认识;并且通过对流处理原理的学习与批处理架构的对比,可以对大数据处理架构有更全面的了解,为日后成长为架构师打下基础。本套教程可以让学员熟练掌握Spark技术栈,提升自己的职场竞争力,实现更好的升职或者跳槽,或者从J2EE等传统软件开发工程师转型为Spark大数据开发工程师,或是对于正在从事Hadoop大数据开发的朋友可以拓宽自己的技术能力栈,提升自己的价值。Spark应用场景Yahoo将Spark用在Audience Expansion中的应用,进行点击预测即席查询等。淘宝技术团队使用了Spark来解决多次迭代的机器学习算法、高计算复杂度的算法等。应用于内容推荐、社区发现等。腾讯大数据精准推荐借助Spark快速迭代的优势,实现了在“数据实时采集、算法实时训练、系统实时预测”的全流程实时并行高维算法,最终成功应用于广点通pCTR投放系统上。优酷土豆将Spark应用于视频推荐(图计算)、广告业务,主要实现机器学习、图计算等迭代计算。本套大数据热门技术Spark+机器学习+贝叶斯算法共计13季,本套为第12季。
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