准确率，精度与召回率

最新推荐文章于 2025-06-27 23:59:20 发布
最新推荐文章于 2025-06-27 23:59:20 发布
阅读量7.1k 收藏 22
点赞数 3
CC 4.0 BY-SA版权
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/qq_39494028/article/details/81869105

准确率,精度与召回率

假设某鱼塘有100条鱼，鲤鱼80条，鲫鱼20条，目标是捕到所有鲫鱼。让某人捕50条鱼，其中20条是鲫鱼，另外30条鲤鱼也当做鲫鱼被捕到。评估此人工作。

TP（True Positive）：被判定为正样本，事实上也是正样本。

TN（True Negative）：被判定为负样本，事实上也是负样本。

FP（False Positive）：被判定为正样本，但事实上是负样本。

FN（False Negative）：被判定为负样本，但事实上是正样本。

此时：TP=20，TN=50，FP=30，FN=0

准确率

对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。也就是损失函数是0-1损失时测试数据集上的准确率

Accuracy=(TP+TN)/100=70%

精度

它计算的是预测正类预测正确的样本数，占预测是正类的样本数的比例。

Precision=TP/(TP+FP)=40%

召回率

它计算的是预测正类预测正确的样本数，占实际是正类的样本数的比例

Recall=TP/(TP+FN)=100%

Taoist_Nie
关注
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 4263
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
如何通俗理解准确率、精确率、召回率、F1score、AUC、ROC
An_oak的博客
08-13 6145
本文我会用最通俗的语言帮助大家快速理解并记住准确率、精确率、召回率、F1score，AUC、ROC以及特异度。这些指标其实乍一看能知道都是什么，但是一用起来记不住定义。
准确率，精确度，召回率的概念
CHNguoshiwushuang的博客
06-07 1万+
   时间较紧，所以本周复习以下前两周面试问过的这些概念，简要说一说：   下面的符号含义：TP-将正预测为真，FN-将正预测为假，FP-将反预测为真，TN-将反预测为假。 准确率    准确率是对给定数据集，分类正确样本个数和总样本数的比值。即： Precision=TP+TNTP+FN+FP+TNPrecision=TP+TNTP+FN+FP+TNPrecision=\frac{T...
机器学习：准确率（A），精确率（P）、召回率（R）、评价指标（F）及ROC曲线。
燕双嘤
04-20 1万+
准确率（A）是对预测结果和原结果来说的，表示预测结果中有多少样本预测是正确的。而准确率的局限性：当负样本占99%时，分类器把所有样本都预测为负样本也可以获得99%的准确率。所以，当不同类别的样本比例非常不均衡时，占比大的类别往往成为影响准确率的最主要因素。
【AI概念】精度（Precision）vs 召回率（Recall）vs F1分数（F1 Score）详解（附详尽Python代码演示）| 定义与原理、数学公式、案例与代码可视化、工程应用建议、典型案例
最新发布
AI人工智能爱酱～你的AI学习好帮手～
06-27 729
大家好，我是爱酱。本篇将会系统讲解机器学习分类模型中最常用的三大评价指标：精度（Precision）、召回率（Recall）和F1分数（F1 Score）。内容包括定义、数学公式、直观解释、优缺点、典型应用场景和三者的权衡关系，适合初学者和进阶者系统理解。 注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！
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..
机器学习 | 准确率、召回率、精准率、特异度傻傻分不清？ROC曲线怎么看？一篇文章帮你搞定
Huiwen18的博客
04-27 2万+
提高召回率是为了少漏报；提高精准率是为了少错报。ROC曲线纵轴为真正率，横轴为假正率
机器学习（21）---召回率(recall)、精度(precision)和准确率(accuracy)
m0_62881487的博客
10-10 5655
精度（precision）和召回率（recall）是衡量机器学习模型性能的重要指标，特别是数据集分布不平衡的案例中。
Caffe-ssd输出准确率和召回率
03-08
Caffe-SSD的solver.cpp修改后的源码，可输出准确率、召回率和PR曲线值
精度、召回率、准确率、F1、ROC、AUC的理解
繁华里流浪的博客
01-31 6674
1. 错误率、精度 精度（accuracy) 分类正确的样本数占总样本数的比例 错误率(error rate) 分类错误的样本数占总样本数的比例 通常来说精度(accuracy)不是一个好的性能指标，尤其是处理数据有偏差时候比如一类非常多，一类很少 比如手写数字识别问题，只判断一副图片是不是5，由于5的图片只占百分之10左右，所以分类器总是预测图片不是5都会有90%左右的可能性是对的 2. 混...
matplotlib.pyplot绘制决策树的准确率，召回率，ROC，特征重要性-附件资源
03-05
matplotlib.pyplot绘制决策树的准确率，召回率，ROC，特征重要性-附件资源
召回率与精确率的理解
weixin_52646021的博客
08-21 4157
召回率与精确率
Accuracy Versus Precision（准确率Vs精度）
007的博客
03-10 2620
Accuracy Versus Precision A surveyor strives for both accuracy and precision. Many people use the terms “accuracy” and “precision” interchangeably. However, for those in the surveying profession (a...
理解准确率(accuracy)、精度(precision)、查全率(recall)、F1
热门推荐
ybdesire的专栏
12-13 4万+
详解衡量机器学习模型分类结果的四个关键指标
准确率（Accuracy）、精度（Precision）、召回率（Recall）和 mAP 的图解
程序猿视角
07-30 7761
机器学习的评价指标让人眼花缭乱。今天修改一份标准文件，发现算法测试指标定义有些不妥。反复思考后，感觉有必要再次梳理一下对这些概念的认识。
机器学习 | 评估原理——准确率、精确率、召回率、F1值
ttrr27的博客
07-30 4079
Hi，大家好，我是半亩花海。接着上次的模型评估与交叉验证继续更新《白话机器学习的数学》这本书的学习笔记，在此分享精确率、召回率、F1值相关评估原理。本章的基于已建立的模型进行评估知识的学习，欢迎大家交流学习！
经验之谈|处理不平衡数据集的7个技巧
AI公园
12-02 2355
点击上方“AI公园”，关注公众号作者：Ye Wu & Rick Radewagen编译：ronghuaiyang介绍具体的领域中的数据集是什么样的，银行中的欺诈检...
机器学习（二十二）：精度和召回率
weixin_45733884的博客
07-24 1137
倾斜数据集：一个数据集中的正面和负面例子的比例非常不平衡，比如数据集中，结果为1的占比20%，结果为0的占比80%例子：如果数据集的结果中只有0.5%是1，其余结果是0。有一个模型的预测准确度是99.5%，但是预测了所有数据的结果都是0，这个模型的准确度很高，但是预测不出结果为1，这不能代表这个模型是好模型。因此需要引入其他的误差度量方式来评估模型好坏。
准确率低精度低召回率接近0
03-29
### 提高机器学习模型的准确率、精度和召回率 #### 准确率（Accuracy） 准确率是指分类器预测正确的样本数占总样本数的比例。对于均衡的数据集来说，准确率是一个有效的评估标准。然而，在类别不均衡的情况下，仅依赖于准确率可能会误导模型的表现评估[^1]。 为了提高准确率，可以采取以下措施： - **增加数据量**：更多的高质量训练数据有助于捕捉更广泛的模式。 - **特征工程**：通过创建新的特征或者改进现有特征来增强模型的能力。 - **调整算法参数**：优化超参数设置以找到最佳配置。 ```python from sklearn.model_selection import GridSearchCV param_grid = {'C': [0.1, 1, 10], 'gamma': [1, 0.1, 0.01]} grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=5) grid_search.fit(X_train, y_train) ``` #### 精度（Precision）与召回率（Recall） 精度表示被预测为正类中的真实正类比例；而召回率则是指所有实际正类中被正确识别出来的比例。这两者通常存在一种反向关系，即当其中一个指标上升时另一个可能下降[^2]。 改善这两种指标的方法包括但不限于： - 使用成本敏感型学习方法处理不平衡数据集问题； - 应用集成技术如随机森林或梯度提升树等复杂模型结构； - 调整决策阈值使得更加偏向关注的方向上获得更好的表现效果。 针对接近零的情况及其解决方案： 如果发现某些特定条件下这些关键性能指标几乎等于零，则可能是由于以下几个原因之一造成的，并需相应地加以解决: - 数据质量问题：检查是否存在标签错误或其他形式噪声干扰了正常训练过程。 - 类别失衡现象严重：尝试采用过采样(Over-sampling) 或欠采样(Under-sampling) 技术重新平衡各类别的数量分布情况。 - 不恰当的选择基础估计函数：更换更适合当前任务特性的另一种类型的分类器试试看是否有改观迹象发生。 ```python from imblearn.over_sampling import SMOTE smote = SMOTE() X_resampled, y_resampled = smote.fit_resample(X_train, y_train) ```
评论
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