机器学习之算法模型评价指标

最新推荐文章于 2025-07-26 17:22:28 发布
最新推荐文章于 2025-07-26 17:22:28 发布
阅读量1.6k 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： 机器学习 算法 分类
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/lm_is_dc/article/details/81489274
本文介绍了机器学习中的评估指标，如精确率、召回率和F-measure，并详细阐述了AUC的概念和重要性，解释了为何AUC优于准确率。通过一个鸢尾花分类的案例，演示了如何使用SVC算法，并展示了模型的AUC值为0.88。

#机器学习评价指标

##1、几个概念

精确率：Precision------"正确被检索的item(TP)"占所有"实际被检索到的(TP+FP)"的比例

召回率：Recall------“正确被检索的item(TP)"占所有"应该检索到的item(TP+FN)"的比例

F-measure= 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值）

准确率：Accuracy-----正确分类的样本数与总样本数之比 。

这里写图片描述

这里写图片描述

##2、AUC

​ AUC是一个模型评价指标，用于二分类模型的评价。AUC是“Area under Curve（曲线下的面积）”的英文缩写，而这条“Curve（曲线）”就是ROC曲线(也叫做受试者工作特征曲线)。

​ 为什么要用AUC作为二分类模型的评价指标呢？为什么不直接通过计算准确率来对模型进行评价呢？

​ 答案是这样的：机器学习中的很多模型对于分类问题的预测结果大多是概率，即属于某个类别的概率，如果计算准确率的话，就要把概率转化为类别，这就需要设定一个阈值，概率大于某个阈值的属于一类，概率小于某个阈值的属

了解本专栏 订阅专栏 解锁全文 超级会员免费看
每天五分钟机器学习：分类算法评价指标之准确率
huanfeng_AI的博客
10-27 1296
从本文开始我们将学习准确率这个评价指标，准确率是所有评价指标中最简单的评价指标了。比如我们上学的时候，我们做选择题，一共10道，我们做对了7道，那么我们可以认为准确率为70%。准确率是指分类正确的样本占总样本个数的比例，用公式表示就是：直观易懂：准确率作为比例值，其大小直接反映了模型预测的正确程度，易于理解和解释。计算简便：准确率的计算仅涉及简单的加法和除法运算，计算过程简便快捷。广泛应用：在分类问题中，准确率是最常用的评估指标之一，尤其适用于类别分布相对均衡的数据集。对类别不平衡敏感：当数据集中各类别的样
机器学习(15)--机器学习算法模型评价指标
SpringHeather的专栏
05-26 1034
【导读】在机器学习研究或项目中使用分类精度、均方误差这些方法衡量模型的性能。当然，在进行实验的时候，一种或两种衡量指标并不能说明一个模型的好坏，因此我们需要了解常用的几种机器学习算法衡量指标。 本文整理介绍了7种最常用的机器学习算法衡量指标：分类精度、对数损失、混淆矩阵、曲线下面积、F1分数、平均绝对误差、均方误差。相信阅读之后你能对这些指标有系统的理解。 1.分类精度 当我们使用“准确性”这个术语时，指的就是分类精度。它是正确预测数与样本总数的比值。 只有当属于每个类的样本数量相等时...
算法测试—机器学习算法评价指标
sanmi8276的博客
02-14 3896
目录 一、分类问题 二、回归问题 三、聚类 四、信息检索 五、总结 在使用机器学习算法过程中，针对不同的问题需要不用的模型评估标准，这里统一汇总。主要以两大类分类与回归分别阐述。 一、分类问题 1、混淆矩阵 混淆矩阵是监督学习中的一种可视化工具，主要用于比较分类结果和实例的真实信息。矩阵中的每一行代表实例的预测类别，每一列代表实例的真实类别。 真正(True Positive , TP)：被模型预测为正的正样本。 假正(False Positive , FP)：被模型预测为正的负样
推荐算法中模型评估标准——AUC和 NE
蚂蚁搬家
07-26 8693
广告电商等推荐算法中，评估模型质量的指标，目前用的较多的有：AUC，NE, Bias. AUC(area under curve):  名字曲线下面积，曲线指的的是ROC曲线，ROC曲线如下图（a）所示，其中横坐标是假正率（负样本预测为正的比率），纵坐标是真正率（正样本预测为正的比率），很显然，假正率越低同时真正率越高的越好。但这些比率和分类阈值有关，相关比率曲线如图（b），阈值取得越低，更多的...
​机器学习从入门到实践：算法、特征工程与模型评估详解
最新发布
weixin_73958875的博客
07-26 1107
本文系统介绍了机器学习的核心概念与实践方法，涵盖算法分类、特征工程和模型评估。主要内容包括：1）机器学习概述与发展历程；2）监督学习（分类/回归）、无监督学习（聚类/降维）及半监督学习的算法详解与代码示例；3）特征工程中的数据处理、特征选择技术；4）深度学习模型（CNN/RNN）原理与应用案例；5）模型评估指标与优化策略。文章通过Python代码示例（Scikit-learn/TensorFlow）演示典型任务的实现过程，为读者提供从理论到实践的完整学习路径，适用于金融、医疗、NLP等领域的数据分析需求。
评价类算法
08-25
有关各种评价类模型讲解，其中包括：层次分析模型，模糊综合评价模型，神经网络评价模型
常用的一些算法模型评价指标
qq_26460507的博客
04-11 9747
1. 基本概念     FN TP TN FP TP —— True Positive （真正, TP）被模型预测为正的正样本；可以称作判断为真的正确率  TN —— True Negative（真负 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率  FP ——False Positive
算法模型的评估指标
南城以北的博客
01-26 1529
R2。
机器学习之模型评价指标（自学笔记）
金亮的博客
09-14 1195
一，R^2R 2 定义 R^2R 2 与皮尔逊相关系数（PCC） 二，混淆矩阵 三，正确率 四，准确率与召回率 五，ROC曲线，AUC值
机器学习中逻辑回归算法的基本原理、应用领域及评价指标解析
01-26
使用场景及目标：帮助理解机器学习基础概念及具体实施流程；辅助选择合适的评估标准来进行有效的模型优化和比较；提供跨领域实践经验作为参考，在各自行业中更好地应用逻辑回归技术。 其他说明：本文强调了模型内部...
模型算法评估指标
Jadelyw的博客
07-24 1056
转载：https://zhuanlan.zhihu.com/p/34079183 二分类问题的结果有四种： 预测是positive-1和negative-0，true和false描述本次预测的对错。 True Positive, TP：预测为1，且实际为1，即预测正确； False Positive, FP：预测为1，而实际为0，即预测错误； False Negative，FN：预测...
算法模型的性能评估指标
cuiyuan605的专栏
03-23 617
其他小伙伴已经总结的挺好了，我就偷个懒转发一下，哈哈哈 一般评估指标：Accuracy、Precision、Recall、F1-Score、IOU、mAP等等，请传送！https://zhuanlan.zhihu.com/p/74493056 机器翻译的评估指标：BLEU，请传送！https://blog.youkuaiyun.com/g11d111/article/details/100103208 ...
几种机器学习的算法评价
03-08
分析了几种机器学习常用算法的定义个特点，总结了 算法的优缺点，为算法优选提供参考。
机器学习分类算法模型评价指标
FiveStarsGeneral的博客
10-14 2932
概览 目前，业内对于机器学习，数据挖掘，推荐系统等算法模型都有比较流行的评价标准，这些评价标准在一定程度上反映了模型性能的优劣，如准确率（Prescision-rate）,召回率（Recall-rate)还有F值（F-measure）。 这篇文章主要总结的是分类算法（二分类）的一些模型评价指标。 1.混淆矩阵 要了解准确率和召回率，先要知道什么是混淆矩阵，它反映的是预测值与真实值的预测情况，它共有...
机器学习：模型评价指标总结
weixin_34280060的博客
02-28 2263
混淆矩阵 混淆矩阵是一种特定的矩阵用来呈现算法性能的可视化效果，通常用于二分类模型。其每一列代表预测值，每一行代表的是实际的类别。 其实就是把所有类别的预测结果与真实结果按类别放置到了同一个表里，在这个表格中我们可以清楚看到每个类别正确识别的数量和错误识别的数量。 TP ：预测为正样本，实际也是正样本。 FP ：预测为正样本，实际是负样本。 FN ：预测为负样本，实际是正样本。 TN ：预测为负样本，实际也是负样本。 准确率 准确率是指我们的模型预测正确的结果所占的比例。 精确率 所有预测为正样本的
算法与模型评估：准确率(Accuracy)，精确率(Precision)，召回率(Recall)和综合评价指标(F1-Measure)
热门推荐
Hello！
07-20 1万+
序言 自然语言处理(ML)、机器学习(NLP)、信息检索(IR)等AI领域，评估(evaluation)是一项非常重要的工作，其模型或算法的评价指标往往有如下几点：准确率(Accuracy)，精确率(Precision)，召回率(Recall)和综合评价指标(F1-Measure)。 简单整理，以供参考。 准确率（Accuracy） 准确率(Accuracy)是一个用于评估分类模型的指标。说人话，模型预测正确数量所占总量的比例。 准确率的伪公式： 1准确率（Accuracy） = Number of co
聚类算法模型评价指标
m0_46926492的博客
11-09 1090
如果一个簇中的大多数样本具有较高的轮廓系数，则簇会有较高的总轮廓系数，则整个数据集的平均轮廓系数越高，即聚类效果最好。如果许多样本点具有低轮廓系数甚至负数，则聚类效果不好，聚类的超参数k可能设定的太大或太小。轮廓系数越接近于1越好，负数则表示聚类效果非常差。但是我们不知道，一个较小的。计算容易受到特征的数目影响，数据维度很大时，的计算量会爆炸，不适合用来一次次评估模型。会越来越小，但不代表模型的效果越来越好。有没有达到模型的极限，能否继续提高。会受到超参数k的影响，随着k越大，首先，它不是有界的，只知道。
[算法]--模型评估
qq_43934844的博客
12-07 567
[算法]--模型评估
模型评估指标
qq_21567767的博客
10-31 553
错误率和精度 是分类任务中的两种性能度量，可用于二分类和多分类。错误率是分错的样本比例，精度是分对的样本比例。 设fff是模型函数，DDD是样本集；则错误率为： E(f,D)=1n∑i=1nI(f(xi)≠yi)E(f,D)=\frac{1}{n} \sum_{i=1}^{n}I(f(x_{i})\neq y_{i})E(f,D)=n1​∑i=1n​I(f(xi​)̸​=yi​) 精度则为：acc...
机器学习算法模型评价指标综述
11-10
机器学习算法模型评价指标是评估模型性能的重要指标，常用的评价指标包括准确率、精确率、召回率、F1值、ROC曲线和PR曲线等。其中，准确率是指模型正确预测的样本数占总样本数的比例；精确率是指模型预测为正例的...
评论 2
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

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