分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）

最新推荐文章于 2025-06-27 23:59:20 发布

原创

最新推荐文章于 2025-06-27 23:59:20 发布 · 10w+ 阅读

114

511 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #数学基础

四个基本概念

TP、True Positive 真阳性：预测为正，实际也为正

FP、False Positive 假阳性：预测为正，实际为负

FN、False Negative 假阴性：预测与负、实际为正

TN、True Negative 真阴性：预测为负、实际也为负。

【一致判真假，预测判阴阳。】

以分类问题为例：（word公式为什么粘不过来？？头疼。）

首先看真阳性：真阳性的定义是“预测为正，实际也是正”，这个最好理解，就是指预测正确，是哪个类就被分到哪个类。对类A而言，TP的个位数为2，对类B而言，TP的个数为2，对类C而言，TP的个数为1。

然后看假阳性，假阳性的定义是“预测为正，实际为负”，就是预测为某个类，但是实际不是。对类A而言，FP个数为0，我们预测之后，把1和2分给了A，这两个都是正确的，并不存在把不是A类的值分给A的情况。类B的FP是2，"3"和"8"都不是B类，但却分给了B，所以为假阳性。类C的假阳性个数为2。

最后看一下假阴性，假阴性的定义是“预测为负，实际为正”，对类A而言，FN为2，"3"和"4"分别预测为B和C，但是实际是A，也就是预测为负，实际为正。对类B而言，FN为1，对类C而言，FN为1。

具体情况看如下表格：

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

THEAQING

关注关注

114
点赞
踩
511

收藏

觉得还不错? 一键收藏
19
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

分类问题的评价指标（Precision、Recall、Accuracy、F1-Score、Micro-F1、Macro-F1）以及混淆矩阵、ROC曲线

少年龙龙的博客

05-11

1万+

文章目录一、四个基本概念 TP、FP、TN、FN二、精确率（precision）、召回率（recall）、准确率（accuracy）三、F1-Score（F1分数）四、宏平均 Macro-F1 、微平均 Micro-F1、加权平均 Weighted avg五、混淆矩阵（Confusion Matrix）六、ROC 曲线和 AUC（Area Under the Curve，曲线下面积）一、四个基本概念 TP、FP、TN、FN 真阳性：预测为正，实际为正。把正样本成功预测为正。 TP——True Posit

机器学习评价指标【准确率、精确率、召回率、F1值、ROC、AUC】

真心乖宝宝的博客

08-07

1931

准确率(precision) 在被判定为正样本的数据中，实际为正样本的个数精确率(accuracy) 在所有数据中，正负样本判断正确的个数召回率(recall) 在实际为正样本的数据中，被判定为正样本的个数 F1值 F1值是精确率和召回率的调和均值，相当于精确率和召回率的综合评价指标 ROC 接收者操作特征曲线（receiver operating characteristic curve），是反映敏感性和特异性连续变量的综合指标，ROC曲线上每个点反映着对同一信号刺激的感受性横坐

19 条评论您还未登录，请先登录后发表或查看评论

【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

766

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！

文本分类性能评价指标

tbinjiayou

03-21

9149

文本分类的性能评价指标主要是召回率（recall）、准确率（precision）、F1-measure，以及用于评价全局性能的宏平均（macro-average）和微平均（micro-average）。意义与计算公式假定：类别ci的分类结果中，正确分为该类的样本数目是a，错误划归为该类的样本数目是b，将该类错误划归为它类的样本数目是c，总共包含C类。召回率：recall= a / (a

Accuracy(准确率)、Precision(精确率)、Recall(回招率)、F1－measure(综合评价指标)

zheng657555102的专栏

07-23

3025

现在我先假定一个具体场景作为例子：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个男生也当作女生挑选出来了. 作为评估者的你需要来评估(evaluation)下他的工作将挑选结果用矩阵示意表来表示：定义TP,FN,FP,TN四种分类情况相关(

4.F1 评分机器学习模型性能的常用的评估指标

qq_37977007的博客

01-24

4321

F1评估指标的内容

【机器学习】F1-score那些事

aqwca的博客

09-02

1488

如果你有一个不平衡的数据集，那么你应该使用macroF1分数，因为即使类是偏斜的，这仍然会反映真实的模型性能。然而，如果你有一个平衡的数据集，那么可以考虑microF1分数，特别是如果与最终用户交流结果很重要的话。

关系抽取RE任务中的metrics：Precision、Recall、F1-score

每天八杯水的博客

12-08

1251

最近在研究关系抽取任务，接下来会对抽取结果进行数据分析，需要使用到这3个评估指标，在此记录他们的计算方法，有没有代码等问题。精确度 (Precision, P)、召回率 (Recall, R) 和 F1-score，这三个指标是用来衡量模型在关系抽取任务中的性能的。

机器学习中的F1-score

热门推荐

Yucen的博客

09-13

25万+

一、什么是F1-score F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为： G...

分类问题的几个指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）

ii偏闹i的博客

11-09

2418

混肴矩阵 True Positive(TP) False Negative(FN) False Positive(FP) False Positive(FP) TP、True Positive 真阳性：预测为正，实际也为正 FP、False Positive 假阳性：预测为正，实际为负 FN、False Negative 假阴性：预测与负、实际为正 TN、True...

深度学习（3）：不同分类模型的评价指标（F1、Recall、P）

牧子川的博客

07-12

2万+

我们在训练模型的过程中，需要用未知的数据集（为被训练过的）送入训练好的模型进行验证，来检测该模型是否适用于该项目。哪该如何来进行判断呢？这个就需要评价指标了。模型的评价指标有很多，比如：精确率（查准率）、F1-Score、召回率（查全率）、准确率、P-R曲线、ROC曲线等。我们这里就主要介绍精确率（查准率）、F1-Score、召回率（查全率）、准确率。...

准确率、精确率、召回率、F1值、ROC/AUC整理笔记

2d3d图像算法 halcon\opencv\c++\pcl\vtk\coluldcompare工具程序员学习者

05-03

1万+

文章目录前言一、TP、TN、FP、FN概念二、准确率、精确率（精准率）、召回率、F1值1.准确率（Accuracy）2.精确率（Precision）查准率3.召回率（Recall）查全率4.F1值（H-mean值）三、ROC曲线、AUC值1.ROC曲线2.AUC值总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb 对于分类问题，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

分类问题评价指标

ZZ_Panda的博客

07-14

3347

二分类问题 1.混淆矩阵（Confuse Matrix）混淆矩阵是机器学习中总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的记录按照真实的类别与分类模型作出的分类判断两个标准进行汇总。预测正例预测负例实际正例 TP (True Positive) 被模型预测为正的正样本 TN (True Negative) 被模型预测为负的负样本实际负例 FP (False Positive) 被

分类算法的评估指标

m0_74242391的博客

04-16

1170

机器学习中常用的分类评估算法包括准确率、召回率、F1分数和精确率等。以下是这些算法的优缺点：1. 准确率（Accuracy）：- 优点：直观易懂，是分类模型性能的最基本度量，适用于类别平衡的情况。- 缺点：当数据集高度不平衡时，高准确率可能掩盖了对少数类的识别能力不足。2. 召回率（Recall）：- 优点：关注模型对正类样本的识别能力，对于需要尽可能减少漏报的场景（如医疗诊断）非常有用。- 缺点：召回率高可能伴随着较多的误报，即低精确率。

多标签评价指标--Macro-F1、Micro-F1

niutingbaby的博客

06-24

8354

对于多标签分类的评价指标比较复杂，一般对于n个二分类混淆矩阵要引入宏平均、微平均、权重评价即Macro-average、Micro-Average，Weighted-Average，近期正好应用，所以就总结一下。 Macro-averaging：指所有类别的每一个统计指标值的算数平均值，则对应的macro F1为多个F1值的算数平均数。 Micro-averaging：将各个混淆矩阵对应元素平均，得到TP、FP、TN、FN，然后计算相应的平均值。 weighted-F1：在样本不平衡的时候,有时我们

一起理解指标ACC、Precision、Recall、F1、FPPI、MissRate(MR)、Macro-F1、Micro-F1

SpaceSunflower 's ML/DL home

12-05

2140

【一起理解指标】ACC、Precision、Recall、F1、FPPI、MissRate(MR)、Macro-F1、Micro-F1

分类问题中的各种评价指标——precision，recall，F1-score，macro-F1，micro-F1

u011412768的博客

10-13

1万+

目录一、二分类评价指标 1、真实标签-预测标签的混淆矩阵 2、accuracy 3、precision、recall和F1-score 4、指标的选择问题二、多分类评价指标 1、macro-F1 2、weight-F1 3、micro-F1 4、指标的选择问题注：这篇文章只是对常用的分类问题中的评价指标的总结。一、二分类评价指标 1、真实标签-预测标签的混淆矩阵样本被预测为正样本被预测为负实际样本为正 TP（true positive） .

人工智能/机器学习基础知识——性能度量（Precision、Recall、F1、ROC、AUC）

WindGrin_的博客

04-14

1150

人工智能/机器学习基础知识——性能度量（Precision、Recall、F1、ROC、AUC）

ROC，AUC，Precision，Recall，F1的介绍与计算

SnailTyan

04-07

1万+

ROC，AUC，Precision，Recall，F1的介绍与计算

[[' precision recall f1-score support 0 0.95 0.96 0.95 10762 1 0.91 0.95 0.93 9339 2 0.91 0.58 0.71 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.92 0.83 0.86 21729weighted avg 0.93 0.93 0.92 21729 samples avg 0.93 0.93 0.93 21729'], [' precision recall f1-score support 0 0.96 0.96 0.96 10762 1 0.91 0.96 0.93 9339 2 0.91 0.62 0.74 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.93 0.85 0.88 21729weighted avg 0.93 0.93 0.93 21729 samples avg 0.93 0.93 0.93 21729']]怎么调用[' precision recall f1-score support 0 0.95 0.96 0.95 10762 1 0.91 0.95 0.93 9339 2 0.91 0.58 0.71 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.92 0.83 0.86 21729weighted avg 0.93 0.93 0.92 21729 samples avg 0.93 0.93 0.93 21729']

06-03

report_list = [[' precision recall f1-score support 0 0.95 0.96 0.95 10762 1 0.91 0.95 0.93 9339 2 0.91 0.58 0.71 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.92 0.83 0.86 21729weighted avg 0.93 ...