召回率与准确率

最新推荐文章于 2025-07-09 14:00:24 发布
转载 最新推荐文章于 2025-07-09 14:00:24 发布 · 865 阅读 · 1

转自 这里

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
P = \frac{TP}{TP+FP}
而 召回率是针对我们原来的 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)。
R = \frac{TP}{TP+FN}
其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。

在信息检索领域，精确率和召回率又被称为 在信息检索领域，精确率和召回率又被称为 查准率和 查全率，

查准率＝检索出的相关信息量 / 检索出的信息总量
查全率＝检索出的相关信息量 / 系统中的相关信息总量

二.举个栗子
假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查找出50个，其中只有40个是真正的正样本，计算上述各指标。

  • TP: 将正类预测为正类数 40
  • FN: 将正类预测为负类数 20
  • FP: 将负类预测为正类数 10
  • TN: 将负类预测为负类数 30

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
精确率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3
seekforcode
关注
准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 4万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
协同过滤算法的召回率、准确率、覆盖率、新颖度
LDC，公众号【轻松学编程】
05-21 1324
python版计算协同过滤推荐算法的召回率、准确率、覆盖率、新颖度、F1-score 并使用折线图横向对比
机器学习中，召回率是什么概念？
余璜的技术博客
03-04 6018
在多分类问题中，计算召回率通常需要把每个类别都当作是“正类”，而所有其他类别都是“负类”，然后分别对每个类别计算召回率。最后，你可能会对所有类别的召回率取平均，得到一个总的召回率指标，这在多分类问题中被称为宏平均召回率（Macro-Averaged Recall）。准确率是指在所有被模型识别为正类的样本中，正确识别的比例。例如，计算“2”的召回率就是在所有实际标记为数字“2”的样本中，有多少被模型正确地识别为“2”。对于“猫”这个类别，召回率将是在所有真实为“猫”的图片中，有多少被模型正确识别为“猫”。
skmetrics输出acc、precision、recall、f1值相同的问题
fujikoo的博客
08-26 7485
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
精确率与召回率
子衿_青青的博客
02-19 1037
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
准确率召回率
VergiL Wang的专栏
05-18 1249
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...
如何解释召回率与准确率-知乎1
08-04
【召回率与准确率解析】 在机器学习和信息检索领域，评估模型性能时经常会用到两个关键指标：准确率和召回率。它们都是用来衡量模型预测结果与真实情况相符程度的指标，但侧重点不同。 **准确率(Accuracy)**： ...
机器学习中的召回率与准确率详解
聚娃科技开发者博客
06-28 1257
在实际应用中，分类器的性能评估不仅仅依赖于分类的准确性，还需要考虑分类器对正例的识别能力（召回率）以及正例预测的准确性（准确率）。在机器学习领域中，召回率（Recall）和准确率（Precision）是两个重要的评估指标，用于衡量分类模型的性能和效果。其中，TP（True Positive）表示真正例的数量，FP（False Positive）表示假正例的数量。在上述示例中，我们定义了计算准确率和召回率的方法，并演示了如何使用这些方法来评估分类器的性能。
推荐系统的评价指标（1）：准确率与召回率
burstone的专栏
11-10 2241
推荐系统的评价指标是用来衡量推荐系统性能的重要工具，它们可以帮助我们了解推荐系统的效果，并指导系统的优化和改进。一些常用的推荐系统评价指标包括准确率、召回率、MAP、NDCG等。
目标检测问题混淆矩阵与准确率、召回率等
leonardohaig的博客
08-25 1610
F1分数认为召回率和正确率同等重要，F2分数认为召回率的重要程度是正确率的2倍，而F0.5分数认为召回率的重要程度是正确率的一半。是精确率和召回率的调和平均数，例如，模型A的recall高，precision低，模型B相反，那怎么综合比较模型A和B的性能呢，用这个可以作为综合评价指标。这些指标有助于评估模型的性能。多分类任务的混淆矩阵与二分类的混淆矩阵类似，但它的维度更大，因为它需要处理多个类别之间的分类情况。精确率主要关注的是预测结果中的正类样本的质量，即在预测为正类的样本中有多少是准确的。
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...
准确率和召回率(precision&recall)
热门推荐
Duplan的专栏
08-23 2万+
算法评价指标：准确率和召回率。
精确率和召回率
qq_28706157的博客
05-19 646
准确率：预测的结果中有多少是正确的，即预测结果中，预测正确的和预测错误的之比（预测准不准，查准了多少） 召回率：预测结果中预测对的比上样本中所有对的（召回了多少，查全了多少） F-score = (2 * precision * recall) / (precision + recall) 准确率和召回率通常是此消彼长的，很多时候用参数来控制，通过修改参数则能得出一个准确率和召回率的曲线（ROC），这条曲线与x和y轴围成的面积就是AUC（ROC Area）。AUC可以综合衡量一个预测模型的好坏，这一个指.
准确率（accuracy）、召回率（recall）的意义和区别
sky8336的博客
02-07 5322
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（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 1405
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。
准确率(Accuracy), 精确率(Precision), 召回率(Recall)
ytusdc的博客
11-09 3173
       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...
2.召回率（查全率）以及准确率的理解
Moneys的博客
07-27 1506
1.召回率/查全率(recall) 查询到的数据中有用的数据占所有有用的数据的比率 2.准确率(precision) 查询到的数据中有用的数据比率占总查询的数据的比率
召回率与准确率例题
03-21
### 关于召回率与准确率的例题和练习 #### 召回率（Recall） 召回率是指模型能够正确识别出的所有正类样本占实际正类样本的比例。其计算公式如下： \[ \text{召回率} = \frac{\text{真正例 (TP)}}{\text{真正例 (TP)} + \text{假反例 (FN)}} \] #### 准确率（Accuracy） 准确率是指模型预测正确的总样本数占全部样本数的比例。其计算公式如下： \[ \text{准确率} = \frac{\text{真正例 (TP)} + \text{真反例 (TN)}}{\text{真正例 (TP)} + \text{假正例 (FP)} + \text{假反例 (FN)} + \text{真反例 (TN)}} \] 以下是几个具体的例子供参考： --- #### **例题 1** 假设有一个二分类问题，混淆矩阵如下所示： ```plaintext [[7, 3], [2, 8]] ``` - 真正例 (TP) = 8 - 假正例 (FP) = 3 - 假反例 (FN) = 2 - 真反例 (TN) = 7 **计算：** 1. **召回率** \[ \text{召回率} = \frac{\text{TP}}{\text{TP} + \text{FN}} = \frac{8}{8 + 2} = 0.8 \][^1] 2. **准确率** \[ \text{准确率} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FP} + \text{FN} + \text{TN}} = \frac{8 + 7}{8 + 3 + 2 + 7} = 0.85 \][^4] --- #### **例题 2** 某垃圾邮件检测系统的测试结果显示以下数据： - 正常邮件总数：90 条 - 垃圾邮件总数：10 条 - 被错误标记为正常邮件的垃圾邮件数量：2 条 - 被错误标记为垃圾邮件的正常邮件数量：3 条 构建混淆矩阵并计算召回率和准确率。 **解答：** 1. 构建混淆矩阵： ```plaintext [[87, 3], # 正常邮件被正确分类的数量 vs 错误分类为垃圾邮件的数量 [2, 8]] # 垃圾邮件被错误分类为正常邮件的数量 vs 正确分类为垃圾邮件的数量 ``` 2. **召回率** \[ \text{召回率} = \frac{\text{TP}}{\text{TP} + \text{FN}} = \frac{8}{8 + 2} = 0.8 \] 3. **准确率** \[ \text{准确率} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FP} + \text{FN} + \text{TN}} = \frac{8 + 87}{8 + 3 + 2 + 87} = 0.93 \][^4] --- #### **例题 3** 给定一组预测结果及其真实标签如下表所示： | 实际值 | 预测值 | |--------|--------| | 1 | 1 | | 1 | 0 | | 0 | 1 | | 1 | 1 | | 0 | 0 | 其中，“1”表示正类，“0”表示负类。 **计算：** 1. 混淆矩阵： ```plaintext [[2, 1], # TN, FP [1, 2]] # FN, TP ``` 2. **召回率** \[ \text{召回率} = \frac{\text{TP}}{\text{TP} + \text{FN}} = \frac{2}{2 + 1} = 0.6667 \] 3. **准确率** \[ \text{准确率} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FP} + \text{FN} + \text{TN}} = \frac{2 + 2}{2 + 1 + 1 + 2} = 0.75 \] --- ###
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