推荐算法的准确率、精准度、召回率、F1值

推荐算法的准确率、精准度、召回率、F1值

1、简介

机器学习的分类问题常用评论指标有:准确率、精确度、召回率和F1值。

计算流程:

1、确定真实标签和预测标签
2、统计
真正例(True Positive)即TP
真反例(True Negative)即TN
假正例(False Positive)即FP
和假反例(False Negative)即FN
的个数
3、计算精准度、准确率、召回率、F1-score值
4、画图展示

适用范围:

# -*- coding: utf-8 -*-

"""
@contact: 微信 1257309054
@file: test.py
@time: 2024/5/18 17:24
@author: LDC

"""
适用于:图书用户协同推荐系统、网络小说推荐系统、旅游景点推荐系统、课程推荐系统、电影推荐系统
算法:用户协同过滤、物品协同过滤、随机森林、图神经网络算法、关联规则推荐算法、kmeans-聚类、神经网络学习

2、准确率(accuracy)

准确率衡量了模型预测正确的样本数占总样本数的比例。

在这里插入图片描述

3、

### 关于算法召回率、精准率和F1分数的概念及计算方法 #### 定义与概念 - **精准率 (Precision)** 是指预测为正类中的实际正类所占的比例,用于衡量模型对于正类别的判断准确性。其定义如下[^1]: \[ Precision = \frac{TP}{TP + FP} \] - **召回率 (Recall)** 或者称为灵敏度(Sensitivity),是指所有实际正类中被正确识别出来的比例,强调的是模型发现全部正样本的能力。具体表达式为[^3]: \[ Recall = \frac{TP}{TP + FN} \] - **F1分数 (F1 Score)** 则是精准率和召回率的调和平均数,旨在平衡两者之间的关系,在处理类别不平衡的数据集时尤为重要。公式表示为: \[ F1\ Score = 2 * (\frac{Precision * Recall}{Precision + Recall}) \] 其中 TP(True Positive)代表真正例数量;FP(False Positive)代表假正例数量;FN(False Negative)代表假反例数量。 #### Python代码实现示例 下面给出一段Python代码来演示如何基于给定的真实标签列表`y_true`以及预测标签列表`y_pred`计算上述三个指标: ```python from sklearn.metrics import precision_score, recall_score, f1_score def calculate_metrics(y_true, y_pred): """ Calculate precision, recall and F1 score. Parameters: y_true : array-like of shape (n_samples,) True target values. y_pred : array-like of shape (n_samples,) Predicted targets returned by a classifier. Returns: tuple(float, float, float): Tuple containing the calculated metrics. """ # Calculating each metric using scikit-learn functions p = precision_score(y_true, y_pred) r = recall_score(y_true, y_pred) f1 = f1_score(y_true, y_pred) return p,r,f1 # Example usage with dummy data points if __name__ == "__main__": true_labels = [0, 1, 1, 0, 1] predicted_labels = [0, 1, 0, 0, 1] prec, rec, fscore = calculate_metrics(true_labels, predicted_labels) print(f'Precision: {prec:.4f}, Recall: {rec:.4f}, F1-Score: {fscore:.4f}') ``` 此段程序利用了 `sklearn.metrics` 库下的函数来进行快速而简便地计算这些重要的性能评估参数。
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

打赏作者

东木月

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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