recall和precision的理解

最新推荐文章于 2025-07-09 14:00:24 发布
最新推荐文章于 2025-07-09 14:00:24 发布
阅读量2.9k 收藏
点赞数
分类专栏： 数据挖掘算法

假设一共有10篇文章，里面4篇是你要找的。根据你某个算法，你认为其中有5篇是你要找的，但是实际上在这5篇里面，只有3篇是真正你要找的。

那么你的这个算法的precision是3/5=60%，也就是，你找的这5篇，有3篇是真正对的

这个算法的recall是3/4=75%，也就是，一共有用的这4篇里面，你找到了其中三篇。

转载自：知乎
作者：付滨
链接：https://www.zhihu.com/question/19645541/answer/12502751

机器学习模型常用评估指标：Precision（精准率、查准率）和Recall（召回率、查全率）的理解和应用
捡起一束光的博客
10-18 3518
Precision和Recall是矛盾统一的两个指标：为了提高Precision，分类器需要尽量在“很有把握”的时候才把样本当做正样本，但这样往往由于过于保守，会漏掉很多“没有把握的正样本”，导致你的召回率（Recall）降低。
理解二分类场景评估中的Recall和Precision
weixin_41790566的博客
04-02 328
理解二分类场景评估中的Recall和Precision
Precision（精准率） and Recall（召回率）
Xyzx043874的博客
02-10 2712
在机器学习系统设计的时候会遇到一类数据集：Skewed Classes 。这意味着在分类时一种类别比其他的类别多的多。 会出现的情况：构建的模型的精确度（代价） 甚至不如直接将其全部分为数量多的那个类别。比如：分类是否获得学校奖学金，分类是否是癌症患者。 带来的问题：将精确度（或者代价）作为衡量算法是否好的标准变的不再有效。 解决的方法：使用Precision（精准率） and Recall（
precision和recall
佐井白白的微笑
12-05 863
Recall(召回率);Precision（准确率）;F1-Meature（综合评价指标）;首先来个定义： Precision:被检测出来的信息当中 正确的或者相关的（也就是你想要的）信息中所占的比例； Recall：所有正确的信息或者相关的信息(wanted)被检测出来的比例。查了资料都习惯使用四格图来解释,来个易懂的四格图： true positives (纳真) fal
准确率（Precision）和召回率（Recall）——小白都能懂的解释
最新发布
牧晨加油站
07-09 883
准确率和召回率是评估分类模型性能的关键指标。准确率衡量预测正类的可靠性（TP/(TP+FP)），召回率反映对正类的覆盖能力（TP/(TP+FN)）。二者存在权衡关系：提高准确率可能降低召回率，反之亦然。实际应用中需根据场景选择侧重（如医疗重召回率，垃圾邮件过滤重准确率），或使用F1分数（两者的调和平均）综合评估。典型示例中，某疾病检测模型准确率和召回率均为75%，体现了二者在不同业务需求中的差异化应用价值。
召回率与准确率
程序人生
07-29 472
外行人做互联网，很多概念不懂。就拿最基础的“召回率”和“准确率”这种概念，看看网上资料知道大概，自己用的时候，脑子里绕着弯儿能想明白，可碰到别人活用的时候，脑子里还是没法一下子反应过来，还是要绕弯想一下。特地找了些资料，将这两个概念整理一下，希望能更熟练。 召回率和准确率是搜索引擎（或其它检索系统）的设计中很重要的两个概念和指标。 召回率：Recall，又称“查全率”； 准确率：...
Precision和Recall
weixin_43455016的博客
08-13 2218
和是评估分类模型性能的两个重要指标，它们虽然都与模型的正确性相关，但关注的角度和用途有所不同。
prec_rec.zip_Curves_Recall_precision recall_precision-recall_rec
09-23
在IT行业中，尤其是在数据分析、机器学习以及人工智能领域，精确率（Precision）和召回率（Recall）是评估分类模型性能的两个重要指标。本话题主要围绕"Precision Recall curves"展开，我们将深入理解这两个概念，...
PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc
07-15
这些概念是理解和优化模型不可或缺的部分，主要包括混淆矩阵、精确率（Precision）、召回率（Recall）、精确率-召回率曲线（Precision-Recall Curve）以及ROC曲线（Receiver Operating Characteristic Curve）。...
Roc-curve.zip_Recall_precision_precision recall_roc_roc curve ja
09-14
3. **计算TPR、FPR、Precision和Recall**：对每个阈值，计算对应的TP、FP、TN和FN（真负例），然后用这些值计算TPR、FPR、Precision和Recall。 4. **绘制曲线**：使用计算出的TPR和FPR绘制ROC曲线，用Precision和...
precision and recall
u012836354的博客
01-20 5324
首先强调multi-class 和multi-label是不同的，前者是每个样本只属于一个类别，后者是每个样本可以有多个类别标记，即多个类别在模式识别，信息检索，二分类等问题中常常需要对结果进行评价，评价的几个指标通常是准确率（accuracy），精确率（precision）和召回率（recall）1、分类问题举个二分类的问题，类别狗为正，猫为负。测试用例12只动物，7只狗，5只猫。识别出8只狗，...
Precision和Recall​
weixin_42035080的博客
09-22 3591
2021-09-22 Precision和Recall 首先，Precision和Recall都是评估正类的，分子都是TP。 Precision: 精确率，也称“查准率”，是基于我们的预测结果的，在我们的预测结果中，与标签相比，正确预测的记为TP，错误预测的记为FP。 Precison = TP / (TP + FP) Recall:召回率，也称“查准率”，是基于原样本中所有正类的，在我们的预测结果中，与标签相比，正确预测的记为TP，没预测出的记为FN（也称漏检，即把原样本中的正类预测为负类）。R.
precision与Recall
lzz555517的博客
08-31 8912
precision与Recall 在机器学习中，precision与recall是常用的指标，在说这两个概念之前，首先来说下精度(Precision)与准度(Accuracy)。 Precision指精度，意味着随机误差(Random Error)小，即方差(Variance)小，描述了实际值的扰动情况。 Accuracy指准度，意味着系统误差(System Error)小，即偏差(Bias)小，描述了实际值与真实结果的偏离程度。 准确度高，意味着误差(Error)小，Error = Bias + Var
recall and precision
jiaobei2354717的专栏
06-04 554
通俗的讲，Precision 就是检索出来的条目中（比如网页）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了 以为检索为例： 相关 不相关 检索到 A B 未检索到 C D A：检索到的，相关的
Recall And Precision
xiaoxu1025的专栏
01-23 462
precision和recall的计算公式总是忘记 这篇博客用来记录下 precision 是针对预测结果的 precision = TP / (TP + FP) recall 是针对原样本的 recall = TP / (TP + FN) 图示为： ...
Precision (精确率) 和 Recall (召回率)
热门推荐
weixin_51976215的博客
04-08 1万+
Precision (精确率) 和 Recall (召回率) 是机器学习中的两个重要指标，用于评估分类模型的性能。精确率指预测为正的样本中真正为正的样本占比，召回率指真正为正的样本中被正确地预测为正的样本占比。其中，TP 表示真正为正的样本预测为正，FP 表示真正为负的样本预测为正，FN 表示真正为正的样本预测为负。通常情况下，精确率和召回率是相互矛盾的，提高精确率会降低召回率，反之亦然。
Precision and recall
Work Hard, Play Harder!
08-08 2244
Precision and recall
recall和precision的关系
09-16
### 回答1： recall和precision是评估分类模型性能的两个指标。recall指的是模型正确识别出正例的比例，precision指的是模型识别出的正例中真正的正例的比例。两者的关系是负相关的，即当recall提高时，precision往往会降低；反之，当precision提高时，recall往往会降低。因此，在实际应用中，需要根据具体情况权衡两者的重要性，选择合适的模型。 ### 回答2： Recall（召回率）和Precision（精确率）是用于评估机器学习模型性能的两个重要指标。它们之间存在一定的关系。 召回率衡量了模型在所有实际正例中能够正确预测为正例的能力。召回率越高，模型对于实际正例的识别能力就越强。召回率的计算公式为：召回率 = TP / (TP + FN)，其中TP表示真正例的数量，FN表示假负例的数量。 精确率衡量了模型在所有预测为正例的样本中，真正例的比例。精确率越高，模型在预测为正例的样本中的准确性就越高。精确率的计算公式为：精确率 = TP / (TP + FP)，其中TP表示真正例的数量，FP表示假正例的数量。 召回率和精确率的关系可以用一个折衷的角度来理解。当我们关注的是对于真实正例的识别能力时，我们希望召回率尽可能高，即尽可能多地将真正例预测为正例。然而，如果模型过度地将负例（实际为负例的样本）错误地预测为正例，召回率可能会很高，但精确率会受到影响。因此，召回率和精确率存在一个折衷的关系。 如果我们尝试提高模型的召回率，可能会导致模型将更多的负例错误地预测为正例，从而降低了精确率。相反，如果我们尝试提高精确率，则可能会限制模型将正例正确地预测为正例，从而降低了召回率。 因此，找到召回率和精确率之间的平衡是非常重要的。这可以通过调整分类模型的阈值来实现。较低的阈值可能会提高召回率，但降低了精确率；较高的阈值可能会提高精确率，但降低了召回率。根据实际应用的需求，我们可以根据具体情况来调整阈值，以使召回率和精确率达到最优的平衡点。 ### 回答3： 在信息检索和机器学习领域，Recall（召回率）和Precision（精确率）是两个常用的评估指标，用来衡量分类器的性能。 Recall表示有多少真实正例被分类器正确地检索出来，它是分类器找到的正确正例数与所有真实正例数的比例。记为： Recall = TP / (TP + FN)，其中TP表示真正例数(True Positives)，即分类器正确判断为正例的样本数量；FN表示假负例数(False Negatives)，即分类器错误地判断为负例的样本数量。 Precision表示分类器在所有预测为正例的样本中，有多少是真正的正例，它是分类器找到的正确正例数与所有预测为正例的样本数的比例。记为： Precision = TP / (TP + FP)，其中FP表示假正例数(False Positives)，即分类器错误地判断为正例的样本数量。 Recall和Precision之间存在一种权衡关系。提高Recall意味着分类器能够更准确地找到更多真实正例，但同时可能会增加假正例的数量，从而降低Precision。相反，提高Precision意味着分类器在预测为正例的样本中更准确，但可能会漏掉一些真实正例，降低Recall。 为了综合考虑Recall和Precision，通常使用F1分数（F1 score）作为综合评估指标。F1分数是Recall和Precision的调和平均值，用来衡量分类器的整体性能。F1分数越高，表示分类器的结果越好。
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