混淆矩阵、错误率、正确率、精确度、召回率、F1值、PR曲线、ROC曲线、AUC

最新推荐文章于 2025-05-31 11:13:17 发布
最新推荐文章于 2025-05-31 11:13:17 发布
阅读量6.5k 收藏 26
点赞数 7
CC 4.0 BY-SA版权
分类专栏： 11 Python/DL/ML
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/pengchengliu/article/details/96117386
本文深入探讨了机器学习中常用的评估指标，包括混淆矩阵、错误率、正确率、精确度、召回率、F1值。同时，介绍了PR曲线、ROC曲线及其对应的AUC，帮助读者全面理解模型性能的衡量方法。

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

                                                                                                                                                 点击此处返回总目录

一、混淆矩阵

二、错误率、正确率

三、精确度、召回率

四、F1值

五、P-R曲线

六、ROC曲线

 

 

参考：https://www.jianshu.com/p/82903edb58dc               //这篇文章写的不错，除了F1值那个地方有错误。

           https://www.cnblogs.com/gczr/p/10137063.html          //ROC和PR怎么选择

           https://www.cnblogs.com/xuexuefirst/p/8858274.html

          西瓜书

 

 

评价一个二分类模型好坏，可以使用以下指标：

1. 错误率(正确率)

2
最低0.47元/天 解锁文章

200万优质内容无限畅学
分类模型评估：混淆矩阵、准确率、召回率、ROC
Laurence的技术博客
02-13 4281
在二分类问题中，混淆矩阵被用来度量模型的准确率。因为在二分类问题中单一样本的预测结果只有Yes or No，即：真或者假两种结果，所以全体样本的经二分类模型处理后，处理结果不外乎四种情况，每种情况都有一个专门称谓，如果用一个2行2列表格描述，得到的就是“混淆矩阵”。其中，假阳性（FP）又被称为“Type 1 Error”，假阴性（FN）又被称为“Type 2 Error”。在所有“预测为真”（TP+FP）的数据中，有多少是“真得预测对了”（TP）的? 这个百分比叫“准确率”（Precision）在所有“实际
【机器学习—评估指标】混淆矩阵、准确率、精确率、召回率、F1分数、ROC曲线和AUC
weixin_51375278的博客
12-30 5769
机器学习评价指标是衡量模型性能的关键工具。本文介绍了常见指标及其计算方法：1.混淆矩阵展示分类预测结果分布，包含TP、TN、FP、FN四个基础指标；2.准确率反映整体预测正确率；3.精确率关注预测正例的准确性；4.召回率衡量正例检出能力；5.F1分数综合平衡精确率和召回率；6.ROC曲线通过TPR与FPR的权衡关系评估模型性能，AUC值量化区分能力。文章详细说明了各指标的定义、计算公式、适用场景及局限性，并通过Python代码示例演示了具体实现方法，特别对ROC曲线和AUC的计算原理进行了深入解析。
机器学习分类器的评价指标--混淆矩阵，F1-score，ROC曲线，AUC，KS曲线
aa_JamesJones的博客
10-03 3549
1. 混淆矩阵---确定截断点后，评价学习器性能 TP（实际为正预测为正），FP（实际为负但预测为正），FN（实际为正但预测为负），TN（实际为负预测为负） 通过混淆矩阵我们可以给出各指标的值： 查全率（召回率，Recall）：样本中的正例有多少被预测准确了，衡量的是查全率，预测对的正例数占真正的正例数的比率： 查全率 = TP / (TP+FN) 查准率（精准率，Precision...
python里混淆矩阵 左下角为漏报，右上角为误报
djph26741的博客
06-06 216
1为黑样本，0为白样本： Counter({1: 105, 0: 95}) check counter!confusion_matrix:[[83 12（预测值为1，实际为0，误报）][15(预测值为0，实际为1，漏报！) 90]] 因为样本不均衡的分类器需要着重关注，因此注意下！ 转载于:https://www.cnblogs.com/bonelee/p/9144292.htm...
机器学习入门教学——真阳性、假阳性、真阴性、假阴性
最新发布
计算机硕士的博客
05-31 486
机器学习入门教学——真阳性、假阳性、真阴性、假阴性。
评估深度学习模型的指标：混淆矩阵、准确率、精确率和召回率
oreo的博客
12-14 1万+
在计算机视觉任务重，目标检测用来定位出一张图像上的一个或多个物体。。处理传统的目标检测方法，基于深度学习的模型比如R-CNN和YOLO算法在不同类型的物体检测上都有着优异的检测效果。这些模型接收一张图像作为输入数据，然后返回每一个所检测物体的边界框的坐标。这个教程将会讨论如何计算混淆矩阵、准确率、精确率和召回率。具体而言，主要内容如下： （1）二分类的混淆矩阵 （2）多分类的混淆矩阵 （3）使用Scikit-learn库来计算混淆矩阵 （4）准确率、精确率和召回率计算公式 （5）使用精确率还是..
混淆矩阵，准确率，精确率，召回率，F1值，ROC/AUC曲线的理解
tituszm
05-29 1万+
在机器学习中，对一个模型的学习能力好坏的评估，往往人为判断不容易直接得到结果，这时候就可以根据一些数据指标进行分析评估。对模型（分类器，学习器）的泛化能力进行评估，有衡量模型泛化能力的评价标准，被称为性能度量。 性能度量反应了人物需求，在对比不同模型的能力时，使用不同的性能度量往往会导致不同的评判结果，这就意味着模型的"好坏"是相对的，什么样的模型是好的，不仅取决于算法和数据，还决定于任务需求。...
【分类模型性能衡量指标 】混淆矩阵，精确率，准确率，召回率，Roc曲线
ji_meng的博客
07-20 1738
文章目录前言混淆矩阵精确率 & 准确率 & 召回率Roc曲线 & Auc曲线 前言 在分类问题中，想要衡量性能指标 其实推荐系统中用的更多， 采用scikit-learn来实现，用到的是sklearn.metrics模块下的函数 官网链接 混淆矩阵 混淆矩阵（Confusion Matrix）是一个将分类问题按照真实情况与判别情况两个维度进行归类的矩阵。 以二分类问题为例，首先我们需要明确数据是positive还是negative。 对于实际值中可以用一个2×2的矩阵表示 真实值是
机器学习指标：准确率、精准率、召回率、F1、ROC曲线、AUC曲线
大鹏的专栏
10-19 1486
还是拿之前的例子，总样本中，90% 是正样本，10% 是负样本。这里，TPR 只关注 90% 正样本中有多少是被真正覆盖的，而与那 10% 毫无关系，同理，FPR 只关注 10% 负样本中有多少是被错误覆盖的，也与那 90% 毫无关系，所以可以看出：如果我们从实际表现的各个结果角度出发，就可以避免样本不平衡的问题了，这也是为什么选用 TPR 和 FPR 作为 ROC/AUC 的指标的原因。举个简单的例子，比如在一个总样本中，正样本占 90%，负样本占 10%，样本是严重不平衡的。这样不利于模型的学习。
精确率、召回率、F1、AUC和ROC曲线
wangxiaoxiaodeer的博客
01-01 828
如果我们已经定好了一个阈值，超过此阈值定义为坏用户（1），低于此阈值定义为好用户（0），就可以计算出混淆矩阵（Confusion matrix）。 根据混淆矩阵我们可以得到TP,FN,FP,TN四个值，TP即为预测正确的坏用户的个数，FN为预测错误（预测为好用户）的坏用户个数，根据这四个值即可计算精确率、召回率和F1。 精确率（Precision）为TP/(TP+FP)，即为在预测为坏人的人中，预测正确（实际为坏人）的人占比。 召回率（Recall）为TP/(TP+FN)，即为在实际为...
pytorch进阶学习（七）：神经网络模型验证过程中混淆矩阵、召回率、精准率、ROC曲线等指标的绘制与代码
CV在读
04-14 9460
在机器学习领域，混淆矩阵（ConfusionMatrix），又称为可能性矩阵或错误矩阵。混淆矩阵是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。在下图是否为猫的预测中，表格左上（实际为正和预测为正）和右下（实际为负和预测为负）是预测正确的值。根据左边表格的数据，可以得出右边表格中的数字，即得到了混淆矩阵。
多分类机器学习评价指标之准确率、精确率、召回率、F1值、ROC、AUC
热门推荐
qwe1110的博客
12-04 2万+
准确率、精确率、召回率、F1值 定义： 准确率（Accuracy）：正确分类的样本个数占总样本个数， A = (TP + TN) / N 精确率（Precision）：预测正确的正例数据占预测为正例数据的比例， P = TP / (TP + FP) 召回率（Recall）：预测为正确的正例数据占实际为正例数据的比例， R = TP / (TP + FN) F1 值（F1 score...
机器学习：逻辑回归之混淆矩阵、精度、召回、F1-score、ROC曲线、AUC指标分析
m0_58475958的博客
07-14 2958
1、肿瘤预测案例 数据描述 （1）699条样本，共11列数据，第一列用语检索的id，后9列分别是与肿瘤 相关的医学特征，最后一列表示肿瘤类型的数值。 （2）包含16个缺失值，用”?”标出。 （3）2 表示良性、4 表示恶性 代码： import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScal
分类模型评价，准确率、召回率，混淆矩阵
alex1801
01-18 1478
目录 1、混淆矩阵 2、指标计算 2.1、准确率 accuracy 2.2、错误率 erroe rate 2.3、精确率/查准率/精度 percision 2.4、召回率/查全率 recall 3、综合指标 F-Measure 考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。 TP（True Positive）：是正类并且也被 预测成正类的数目； 　　FN（False Negative）：正类被预测成负类的数目； 　
面试常见之混淆矩阵各种率
忘川的博客
12-01 845
混淆矩阵简洁版： 召回率：针对原来样本的，表示样本中正例有多少被预测正确的。 TP/TP+FN 精确率：针对预测结果的，预测为正的样本中有多少是真正的正样本 TP/TP+FP 通过率：模型判断为好样本的数量占总样本数的比例，TP+FP/TP+FN+FP+FN 坏账率：模型为好样本中真正坏样本的比例 FP/TP+FP 错误率：FN+FP/TP+FN+FP+TN 正确率：TP+FN/TP+FN+FP+TN 真正率：预测为正，实际为正的样本占所有正例样本的比例 TP/TP+FN 假正率：预测为正，实际为负的样本
一文详尽混淆矩阵、准确率、精确率、召回率、F1值、P-R 曲线、ROC 曲线、AUC 值、Micro-F1 和 Macro-F1
My Blogs
02-21 8456
文章目录二分类的评价指标一、混淆矩阵与 TP、TN、FP、FN二、准确率、精确率、召回率、F1值三、P-R 曲线四、ROC 曲线、AUC 值五、P-R曲线和ROC曲线有什么区别，如何选择？多分类的评价指标Reference 二分类的评价指标 对于二分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。 一、混淆矩阵与 TP、TN、FP、FN 混淆矩阵 ...
机器学习：混淆矩阵、准确率、错误率、灵敏度、特异度、精准率、召回率、F-Measure、ROC曲线 & PR曲线
SunshineSki的博客
03-02 2万+
从FPR和TPR的定义可以理解，TPR越高，FPR越小，我们的模型和算法就越高效。比如，把蓝色虚线放到第一张图片下面，也就是说让系统只识别出最上面的那张飞机图片，那么Precision的值就是100%，而Recall的值则是20%。如果把蓝色虚线放到第二张图片下面，也就是说让系统只识别出最上面的前两张图片，那么Precision的值还是100%，而Recall的值则增长到是40%。灵敏度（Sensitive 表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力，在数值上等于召回率Recall）
【知识记录1: 混淆矩阵及相关知识】
weixin_41649129的博客
04-08 516
1. 混淆矩阵定义 2. 基于混淆矩阵的评价指标 Accuracy 准确率 Accuracy = (TP+TN)/(TP+TN+FN+FP) 理解：预测正确的样本数（将正样本预测为正样本，将负样本预测为负样本）占全部样本数目的比例。 Precision 查准率 Precision = TP/(TP+FP) 理解：在所有预测为正样本中真正的正样本数目所占比例。即正样本占所有被预测为正样本数目的比例。（相对于预测为正样本来说） Recall 查全率/召回率 Recall = TP/(TP+FN) 理解：在所有
混淆矩阵
weixin_33767813的博客
08-20 377
摘要： 不用千字，带您透析混淆矩阵。 混淆矩阵（confusion matrix）衡量的是一个分类器分类的准确程度。理解其概念本身容易理解，但一些特定术语易被混淆。 混淆矩阵适用于包含多个分类器的问题，本文为了让读者理解更加容易，以二元分类的混淆矩阵为例进行讲解。 观察混淆矩阵，可得如下结论： 示例是一个二元分类问题，产生两种可能...
Python绘制ROC与PR曲线及AUC计算方法
使用roc_curve函数可以得到ROC曲线的TPR和FPR值，使用precision_recall_curve函数则可以得到PR曲线的精确度和召回率值。然后，利用matplotlib库中的绘图功能将这些点绘制到图中，形成曲线。 5. 绘图工具的使用：...
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
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