关于准确率accuracy和召回率recall的理解

最新推荐文章于 2025-05-15 23:42:38 发布
最新推荐文章于 2025-05-15 23:42:38 发布
阅读量1.4k 收藏 1
点赞数
CC 4.0 BY-SA版权
文章标签： 机器学习
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/nathan_yo/article/details/101226792
本文介绍了在100个样本中，机器学习模型如何预测正负样本的情况。70个正样本中，模型正确预测了50个（TP），错误预测了20个（FN）。30个负样本中，模型错误预测了10个为正（FP），正确预测了20个为负（TN）。准确率accuracy基于模型的正样本预测，而召回率recall则关注实际正样本的预测情况。

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

假设有100个样本，其中正样本70，负样本30，这个是由数据集本身决定的，机器要做的就是判别这100个样本中哪几个样本是正样本，哪几个样本是负样本。

现在机器做出了预测：
机器把原样本中70个正样本中的50个判为正，记为TP=50(True Positive,机器判断正确的正样本)；
机器把原样本中70个正样本中的20个判为负，记为FN=50(False Negative,机器判断错误，认为该样本是负样本，但它是正样本。可以理解为“机器错误的认为它是负样本，负负得正所以它本来的面目应该是正样本”)；
机器把原样本中30个负样本中的10个判为正，记为FP=10(False Positive,机器判断错误，认为该样本是正样本，但它是负样本。可以理解为“机器错误的认为它是正样本，那它本来的面目是负样本”)；
机器把原样本中30个负样本中的20个判为负，记为TN=20(True Negative,机器判断正确的负样本)；

accuracy=TPTP+FPaccuracy=\frac{TP}{TP + FP}accu

最低0.47元/天 解锁文章

200万优质内容无限畅学
nathan_yo
关注
准确率accuracy/精确率precision/召回率recall的区别
xiaohuihui1994的博客
12-10 1659
实际上非常简单，精确率P是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是： 而召回率R是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。 其实就是分母...
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
weixin_34144450的博客
07-22 1万+
yu Code 15 Comments  机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。(注： 相对来说，IR 的 ground truth 很多时候是一个 Ordered List, 而不是...
精确率与召回率
子衿_青青的博客
02-19 998
转自：https://www.zhihu.com/question/19645541/answer/91694636 纠正下，精确率(precision)和准确率(accuracy)是不一样的，题主问的应该是精确率与召回率之间的差别。 一.定义辨析 刚开始接触这两个概念的时候总搞混，时间一长就记不清了。 实际上非常简单，精确率是针对我们预测结果而言的，它
如何快速区分confusion matrix的 precision 和 accuracy 和 Recall
最新发布
m0_74331272的博客
05-15 689
要快速区分混淆矩阵中的 ​​ 和 ​。
skmetrics输出acc、precision、recall、f1值相同的问题
fujikoo的博客
08-26 7369
一个很神奇的现象 我给一个多分类任务做分类的评估，反正指标说来说去就那几个嘛 acc = skmetrics.accuracy_score(y_true, y_pred) b_acc = skmetrics.balanced_accuracy_score(y_true, y_pred) k = skmetrics.cohen_kappa_score(y_true, y_pred) precision = skmetrics.precision_score(y_true, y_pred, averag
推荐系统中的召回率与准确率
06-20 1万+
准确率，顾名思义，就是准确程度。通过正确数/总数得到。而正确数是什么，总数是什么呢？召回率，我们可以理解为找到的数目与总的需要我们找到的数目的比，那在推荐系统中，什么是找到的数目，什么是需要我们总的找到的数目呢？令R(u)表示在根据训练数据给用户做出的推荐列表，T(u)表示用户根据测试数据给用户做出的推荐列表，则召回率：准确率： 精确率是针对我们预...
准确率(Accuracy), 精确率(Precision), 召回率(Recall)
ytusdc的博客
11-09 2896
       对于分类问题而言，一个模型训练好了之后需要判断模型的性能好坏，常用的评价指标有这些：Accuracy（准确率），Precision（精确率，又叫查准率），Recall（召回率,又叫查全率） 先以最简单也是最常见的二分类为例说明: 假如某个班级有男生80人,女生20人,共计100人.目标是找出所有女生. 现在某人挑选出50个人,其中20人是女生,另外还错误的把30个男生也当作女生...
准确率召回率
VergiL Wang的专栏
05-18 1215
http://blog.sina.com.cn/s/blog_4b59de070100ehl7.html 最近一直在做相关推荐方面的研究与应用工作，召回率与准确率这两个概念偶尔会遇到， 知道意思，但是有时候要很清晰地向同学介绍则有点转不过弯来。 召回率和准确率是数据挖掘中预测、互联网中的搜索引擎等经常涉及的两个概念和指标。 召回率：Recall，又称“查全率”——还是查全率好记，也更能体现其...
召回率与准确率详解
dilidian3261的博客
01-16 497
召回率与准确率详解 一、概述 数据挖掘、机器学习和推荐系统中的评测指标，通常有以下三种： (一) 准确率(Precision) (二) 召回率(Recall) (三) F值(F-Measure) 在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。 二、详解 混淆矩阵： True Positive(真正，TP)：将正类预测为正类数...
二分类问题的micro-F1 score（f值）和Accuracy（准确度）
weixin_44839047的博客
01-11 4534
直接上结论： 二分类的micro-F1 score和Accuracy的值相等 关于 F score 和micro-F score以及macro-F score可以参考：参考文 对于二分类问题（A类和B类），某分类器判断结果为 判断为A类 判断为B类 实际为A类 a b 实际为B类 c d 为了计算 micro-F1 score，计算整体的TP，FP，FN。 对于A类来说 TPA = a ，对于B类来说 TPB = d ， 同理可得 FPA= c ，FPB = b， 以及FNA= b
sklearn.metrics.accuracy_score/precision_score/recall_score、micro/macro/weighted(准确率、召回率)
wrwhahah的博客
12-01 7281
1、accuracy即我们通常理解的准确率，计算的时候是指在预测值pred与目标值target之间重叠的部分的大小除以pred的大小(或target的大小,因为sklearn要求pred与target大小必须一致)。 比如target=[2,2,2,3,2] pred=[2,2,1,3,4] 此时重叠的部分为pred[0]、pred[1]、pred[3]，accuracy=3/5=0.6 而precision_score意思类似，但不完全一样，它是从pred的角度考虑，意思是我虽然预测了
一文搞懂机器学习准确率(Accuracy)、精确率(Pecision)、召回率(Recall)以及TP、FP、TN、FN
Lucky_Alan_Gareth的博客
09-13 1万+
刚开始学机器学习尤其是计算机视觉的同学一定会接触到精确率(Pecision)和召回率(Recall)这两个词，看了公式还是一脸懵逼，今天就来通俗易懂的解释一下这两个关键的指标！ 这两个指标核心实质可以总结为： 提升精确率是为了不错报、提升召回率是为了不漏报 首先要了解一下TP、FP、TN、FN的基本概念 一、四个概念定义：TP、FP、TN、FN TP：（True Positive） 做出Positive的判定，而且判定是正确的 FP：（False Positive）做出Positive的判定，但
评价指标_Precision（精确率）、Recall（召回率）和Accuracy（准确率）区别和联系
惊鸿一博
03-31 2177
在实际应用中，需要根据具体的任务需求来选择使用哪种评价指标。如果任务更注重在预测为正例的样本中保持高的准确性，那么应该关注精确率；如果任务更注重找出所有真正为正例的样本，那么应该关注召回率；如果任务要求整体的预测准确性，那么应该关注准确率。Precision（精确率）、Recall（召回率）和Accuracy（准确率）是机器学习和信息检索领域常用的评价指标，它们用于评估分类器或检索系统的性能，但各自关注的方面略有不同。
准确率（accuracy）、召回率（recall）的意义和区别
sky8336的博客
02-07 5198
准确率（accuracy）、召回率（recall）的意义和区别 对于准确率和召回率：一句话，准确率就是“找的对”，召回率就是“找的全” （精确率：正样本中找对的准确率） 参考以下图示： 区域A：能检索到；想得到 区域B：能检索到；不想得到 区域C：未检索到；想得到 区域D：未检索到；不想得到 注：准确率和召回率互相影响，理想状态下肯定追求两个都高，但是实际情况是两者相互“制约”：追求准确率高，则召回率就低；追求召回率高，则通常会影响准确率。若两者都低，则一般是出了某种问题。 一组不同阈值下，准确率和召回率
准确率(Accuracy) 精确率(Precision) 召回率(Recall)和F1-Measure
喔哟哟哟哟
04-02 8347
先验知识 　　我们首先将数据的类别统一分为两类：正类和负类。例如：一个数据集中的数据一共有3类，小学生、中学生、高中生。我们的目标是预测小学生，那么标记为小学生的数据就是正类，标记为其他类型的数据都是负类。 　　数据有两种状态：测试集数据和预测结果数据。 　　对一批测试数据进行预测，结果可以分成四种。 TP(True Positive): 原本是正类，预测结果为正类。(正确预测为正类) ...
机器学习中精确率（precision）、召回率（recall）和准确率（accuracy）的理解
Bruce_0712的博客
06-10 1万+
注：网上很多讲解都瞎讲，把precision和accuracy概念混淆，误人子弟。 1.精确率（precision） 就precision而言有很多版本，各种说法不一，有精确率也有正确率更有甚者把准确率也搞出来了实在受不了，反正咱们看英文precision。 precision是表示预测为正样本中，被实际为正样本的比例。可以看出precision是考虑的正样本被预测正确的比例．根据图1-1可得其计算公式为：P = TP / (TP + FP) 2.召回率（recall） ...
召回率（rec），准确率（acc），精确率（pre），F1值
热门推荐
Mr_Suda的博客
12-19 4万+
这几天在看有关ABSA论文的代码，而代码跑出来的结果除了有输出loss的值以外还有一个acc的值和一个F1的值。查看了网上对于一些博客以后，对于模型的这三个评价指标有了一个新的认识，因此在这里我写出了自己的认识。 1.混淆矩阵 提到召回率，准确率，精确率和F1值，我就不得不提一下什么叫做混淆矩阵。 混淆矩阵说简单一点就是一个矩阵。一个什么样的矩阵呢？一个关于预测值和真实值得一个矩阵。 （Tips：为了方便理解，下面会以一个二分类问题作为讲解） 这个句子的情感是不是积极的 实际值（1：积极，0
准确率，精确率，召回率和F1值
From Zero to Hero
03-27 2万+
机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。 (注： 相对来说，IR 的 ground truth 很多时候是一个 Ordered List, 而不是一个 Bool 类型的 Unordered Co...
准确率和召回率
04-23
### 准确率和召回率的定义与计算方法 #### 准确率 准确率（Accuracy）用于衡量分类模型预测正确的比例。它表示在整个数据集中，模型正确分类样本的比例。其公式如下： \[ \text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{TN} + \text{FP} + \text{FN}} \] 其中： - TP（True Positive）：正类被正确预测为正类的数量； - TN（True Negative）：负类被正确预测为负类的数量； - FP（False Positive）：负类被错误预测为正类的数量； - FN（False Negative）：正类被错误预测为负类的数量。 通过该公式可以得出整个分类系统的整体性能表现[^1]。 #### 召回率 召回率（Recall），也被称为灵敏度（Sensitivity）。它是针对某一类别而言，描述的是实际属于这一类别的样本中有多少被成功检测出来。其公式如下： \[ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} \] 这表明，在所有真实为正类的样本中，有多少比例被模型识别并标记为了正类。高召回率意味着较少的真实正类会被漏检。 ```python def calculate_accuracy(tp, tn, fp, fn): accuracy = (tp + tn) / (tp + tn + fp + fn) return accuracy def calculate_recall(tp, fn): recall = tp / (tp + fn) return recall ``` 以上代码展示了如何基于混淆矩阵中的四个基本指标来分别计算准确率和召回率。 #### F值 除了单独考虑准确率和召回率外，通常还会综合两者的表现，引入F值作为评价标准之一。最常见的形式是F1分数，它的计算方式如下所示： \[ F_1 = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} \] 这里 Precision 表示精确率，即预测为正类的样本中实际为正类的比例；而 Recall 则是我们之前提到过的召回率。
评论 1
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