分类算法评估-混淆矩阵、精确率和召回率以及F1_Score

最新推荐文章于 2025-06-11 23:03:26 发布
最新推荐文章于 2025-06-11 23:03:26 发布
阅读量2.6k 收藏 10
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： 人工智能 机器学习 分类评估 算法评估
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_41682922/article/details/84788971
本文深入探讨了分类算法评估中的混淆矩阵、精确率和召回率概念。通过实例说明了准确率在特定情况下的局限性，解释了精确率和召回率的重要性，并介绍了结合两者优势的F1_Score评估方法。

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

分类算法评估-混淆矩阵、精确率和召回率

  1. 首先引入问题，为什么我们再评估分类算法的时候通常用精确率和召回率?

假设现在有1000个人。预测他们是否得了癌症。假设他们总共有900人是健康的，10人患癌症，那么在这种情况下我们如果将所有人都预测为健康的。
在这种情况下我们的准确率是: 99.0% 那我们的这个模型显然的不是一个好的模型。

所以就引出了精确率（precision）和召回率（recall）
先来看一个混淆矩阵
混淆矩阵
这里的T就是True，F就是False，P就是Positive（阳性），N就是Negative（阴性）
TN代表的意思也就是：预测的是0 实际也是0
FP代表的意思也就是：预测的是1 实际是0
FN代表的意思也就是：预测的是0 实际是1
TP代表的意思也就是：预测的是1 实际上也是1

然后我们的求精准率的公式就有了 ↓↓↓
精准率公式：
精准率公式

–
召回率公式：召回率公式

文字表达就是**?*
精确率 = 判断为1实际为1 跟 所有预测为1的比例
召回率 = 判断为1实际为1 跟 所有实际为1的比例

这就是精确率和召回率了。其实在不同的情况下所注重的不同，在某些问题上注重精确率，在某些问题上注重召回率。

还有一个评估方法结合了精确率和召回率，那就是F1_Score，
F1_Score将精确率和召回率都兼顾了，也就是求了精确率和召回率的调和平均值。

F1_Score的公式为:
F1分数

					 原			创
python和机器学习 第十章 分类算法的评价——混淆矩阵、精准率、召回率、F1 Score
Dear_leslie的博客
07-17 1327
分类算法的评价 1、分类准确度 对于极度偏斜的数据，只使用分类准确度是远远不够的 2、混淆矩阵 1、二分类问题 2、精准率 预测为1的事件，预测成功的概率 3、召回率 对于实际发生的事件1，预测成功的概率 4、精准率和召回率的意义 jkl ...
机器学习篇-逻辑回归-分类评估-混淆矩阵-精确率-召回率-F1值
m0_60916732的博客
10-09 1781
设模型中含有待估参数w，可以取很多值。已经知道了样本观测值，从w的一切可能值中（选出一个使该观察值出现的概率为最大的值，作为w参数的估计值，这就是极大似然估计。（顾名思义：就是看上去那个是最大可能的意思）# 导包​# 1. 加载数据# 查看数据基本信息​# 2. 数据处理# 2.1 用np.NaN替换?', np.NaN)# 2.2 删除缺失值, 按行删除data.dropna(inplace=True) # 默认按行删除 => axis=0 or index。
混淆矩阵与精确度、召回率、F1 Score
日进一步
01-26 7180
1、计算公式 从混淆矩阵计算精确度、召回率、F1 Score的过程如下图所示，其中P和R即Precision和Recall： 2、验证实验 如下图为Azure ML自带的一个示例给出的模型评分结果：原始计算结果给出了混淆矩阵与Accuracy、精确度、召回率和F1 Score，图中插入的文字给出了这些评估值的计算过程，计算过程一目了然：
【算法解析1/5】分类任务深度拆解：常用算法、评估指标、混淆矩阵与实战思考 | 准确率、精确率、召回率、F1分数、ROC-AUC？ | TP、FP、FN、TN？| 支持向量机、朴素贝叶斯、神经网络？
最新发布
AI人工智能爱酱～你的AI学习好帮手～
06-11 1490
本系列将有五部分，分别对应五大机器学习任务类型，包括： 1. 分类（Classification）、2. 回归（Regression）、3. 聚类（Clustering）、4. 降维（Dimensionality Reduction）以及 5. 强化学习（Reinforcement Learning） 此为1.分类（Classification） 此文含大量干货，建议收藏方便以后再读！
关于混淆矩阵中精读和召回率的计算
weixin_38527856的博客
03-29 3040
在进行二分类或多分类任务中为了直观的看出分类效果,以及为后续的错误分析做准备,需要计算整个分类的混淆矩阵,此中涉及到的是分类准确率和召回率的计算: 准确率(精度):预测正确值占预测为该类别总体的比例 召回率:预测正确值占该类别中所有预测值的比例 正对角线表示预测正确的值,其余值为预测错误的值 二分类: 分类效果只有1和0之分, 横轴为预测值,纵轴为真实值 准...
对混淆矩阵、F1-Score
热门推荐
刘明的博客
02-23 1万+
（一）混淆矩阵 混淆矩阵是除了ROC曲线和AUC之外的另一个判断分类好坏程度的方法。下面给出二分类的混淆矩阵 Predicted as Positive Predicted as Negative Labeled as Positive True Positive(TP) False Negative(FN) Labeledas Negativ...
画混淆矩阵,并根据矩阵计算准确率、每个类别的精确率和召回率
m0_50127633的博客
10-27 7951
TP(True Positives):实际为正例并且预测为正例 FP(False Postives):实际为反例但是预测为正例 TN(True Negatives):实际为反例并且预测为反例 FN(False Negatives):实际为正例但是预测为反例 精确率=TP/(TP+FP) 召回率=(TP)/(TP+FN) # coding=utf-8 import matplotlib.pyplot as plt import numpy as np confusion = np.array(([200,0
【详细介绍系列之混淆矩阵、精确率、召回率、F1分数】
2301_77444219的博客
06-27 3248
精确率（Precision）是指模型预测为正例的样本中，实际为正例的比例。它衡量了模型预测为正例的可靠性。预测值为1的时候，有多少个被预测对了?（或者说预测值为0的时候，有多少个被预测对了?精确率是混淆矩阵中的一个重要指标，用于评估模型在预测为正例的样本中，实际为正例的比例。通过精确率，我们可以了解模型预测为正例的可靠性，从而判断模型的性能。然而，在评估模型性能时，还需要综合考虑其他指标，以获得更全面的评估结果。
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 5734
机器学习里面ROC和AUC的全面理解
分类算法中的准确率、精确率、召回率、混淆矩阵（评估）
糖公子没来过的博客
07-27 1236
KNN-iris分类 import numpy as np import matplotlib.pylab as pyb from sklearn.nerghbors import KNeighborsClassifier from sklearn import datasets from matplotlib.colors import ListedColormap # 加载数据，数据降维（画图） # load_iris中有个参数return_X_y默认为False，改为True后返回data值和t
【AI知识点】召回率、精确率、准确率、F1-score和混淆矩阵
AI完全体
10-09 1523
召回率、精确率、准确率、F1-score和混淆矩阵，这些是评估一个分类模型性能的常用指标，我们可以通过一个简单的二分类问题来说明它们的区别。这个例子是关于邮件垃圾分类的场景，假设我们要训练一个分类器来区分电子邮件是否是垃圾邮件。
混淆矩阵、召回率、精确率、正确率、F1、真阳性率、假阳性率、ROC、AUC
Hayden的博客
10-21 3726
ConfusionMatrix:Confusion Matrix:ConfusionMatrix: 真实 1 0 预测 1 TP(命中) FP(虚报) 0 FN(漏报) TN(正确拒绝) 召回率Recall=TPTP+FNRecall = \dfra
【机器学习算法面试题】二.精确率Precision和召回率Recall的权衡。
计算机科研杂货铺
01-28 1298
目录一、TP / FN / FP / TN二、精确率Precision三、召回率Recall四、F1值(F1 score) 一、TP / FN / FP / TN 预测问题会有下列4种情况：TP / FN / FP / TN 第一个字母（True/False）表示你的预测值是否正确，第二个字母（Positive/Negative）表示你的预测的结果是什么。通常，以关注的类作为“正类”，其他类为负类。在垃圾邮件检测中，“垃圾邮件”是正类，则“正常邮件”是负类。 TP——True，Positive：预测正确&a
Deep Learning 基础 -- 混淆矩阵、准确率、召回率、F1-Score
ProYH
08-02 6605
Deep Learning 基础 – 混淆矩阵、准确率、召回率、F1-Score Tags： Deep_Learning 本文主要包含如下内容： Deep Learning 基础 – 混淆矩阵、准确率、召回率、F1-Score 混淆矩阵、准确率、召回率、F1-Score 混淆矩阵 准确率、召回率 P-R曲线、F1-Score AP、MAP TPR、FPR、TNR ROC、AUC ...
深入解析 F1 分数：评估分类模型性能的关键指标
秋声工作室
12-16 4559
精确率：反映了模型预测结果的准确程度，计算方法为正确预测的正样本数量除以所有预测为正的样本数量。例如，假设有 100 个样本，其中 50 个正样本和 50 个负样本，模型预测出 10 个正样本，但只有 1 个正确，则精确率为 1/10 = 10%。精确率高意味着模型对正样本的判断较为准确，但可能会遗漏一些真实的正样本。召回率：体现了模型预测结果的全面程度，计算方法为正确预测的正样本数量除以所有真实的正样本数量。
评估指标——混淆矩阵与准确率指标
摄影爱好者
04-29 795
评估指标、召回率、精确率、混淆矩阵
机器学习--分类算法--决策树算法理论
weixin_35733800的博客
03-26 525
目录 一 信息量 1 信息量是指一个事件所蕴含的信息量大小 2 信息量的度量 1）熵 相关公式 熵的性质 2）基尼系数 基尼系数的相关公式 基尼系数的性质 3）错误率 二 算法原理 1 决策树构造关键是选择特征属性以及分裂特征属性（树结构） 2 决策树构建过程是一种递归过程，所以必须给定停止条件，否则过程不会停止 三 算法评价标准 1 方式一 分类算法常用的混淆矩阵 ...
【机器学习】分类算法评估指标全总结(2023最新整理)关键词：准确率Accuracy、精确率Precision、召回率Recall、Micro F1、P-R、ROC、MCC、Cohen‘s kappa
Next_SummerAgain的博客
03-20 1万+
评估指标是针对模型性能优劣的一个定量指标。一种评价指标只能反映模型一部分性能，如果选择的评价指标不合理，那么可能会得出错误的结论，故而应该针对具体的数据、模型选取不同的的评价指标。 针对不同类型的学习任务，我们有不同的评估指标，这里我们来介绍最常见的分类算法的一些评估指标。常用的分类任务评价指标有准确率（Accuracy）、精确率（Precision）、召回率（Recall）、Macro F1、Micro F1、P-R曲线（Precision-Recall Curve）、ROC、AUC、MCC、Cohen
二、机器学习基础2（分类算法）
myani的博客
04-12 484
常用分类算法的优缺点 分类算法 优点 缺点 Bayes 贝叶斯分类法 1.所需估计参数少，对缺失数据不敏感 2.数学基础夯实，有稳定效率 1.属性相互独立 2.需先验概率 3.分类决策存在错误 Decision tree 决策树 1.不需任何知识 2.适合高维数据 3.简单易理解 4.速
Python在图像分类评价中计算混淆矩阵
- F1分数（F1 Score）：`2 * (Precision * Recall) / (Precision + Recall)`，它是精确率和召回率的调和平均数，用于衡量模型的综合性能 - 准确率（Accuracy）：`(TP + TN) / (TP + TN + FP + FN)`，但它在数据不...
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