精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？

最新推荐文章于 2024-10-19 20:49:21 发布
转载 最新推荐文章于 2024-10-19 20:49:21 发布
· 129 阅读 · 0 ·
版权
原文链接：https://www.zhihu.com/question/30643044/answer/224360465

一般来说呢，鱼与熊掌不可兼得。如果你的模型很贪婪，想要覆盖更多的sample，那么它就更有可能犯错。在这种情况下，你会有很高的recall，但是较低的precision。如果你的模型很保守，只对它很sure的sample作出预测，那么你的precision会很高，但是recall会相对低



作者：邓小乔

https://www.zhihu.com/question/30643044/answer/224360465

关于AUC/ROC，F1-score，recall, precision的一些总结
weixin_43964345的博客
04-02 969
例子 在个100人的样本中，有10人事实上患有A病（阳性），经过检测后，9人判定患有A病（真阳性），而1人判定并不患有A病（假阴性）； 另外的90人实际上并不患有A病（阴性），然后经过检测后，其中的5人被判定患有A病（假阳性），另外的85人判定不患有A病（真阴性）。 灵敏度=真阳性/(真阳性+假阴性)=9/(9+1)=90%; 特异度=真阴性/(真阴性+假阳性)=85/(85+5)=94.4%. 此处，灵敏度即为在患病人群中，成功确证患病的概率；而特异度即为在不患病的人群中，成功排除患病的概率。
机器学习01-详细阐述Auc,Roc
qq_31766023的博客
01-11 462
混淆矩阵中准确率，精准率，召回率区别https://blog.youkuaiyun.com/abc_xian/article/details/106908517 刚才分析的是二分类问题，那么对于多分类问题，混淆矩阵表示的含义也基本相同，这里我们以三类问题为例，看看如何根据混淆矩阵计算各指标值。 多分类混淆矩阵 与二分类混淆矩阵一样，矩阵行数据相加是真实值类别数，列数据相加是分类后的类别数，那么相应的就有以下计算公式; 精确率_类别1=a/(a+d+g)召回率_类别1=a/(a+b+c) 假设下图红..
评估指标汇总
qfikh的博客
04-24 1698
Ref:https://zhuanlan.zhihu.com/p/52930683
Percision Recall F-Measure
michelle190的专栏
10-29 1284
为了能够更好的评价IR系统的性能，IR有一套完整的评价体系，通过评价体系可以了解不同信息系统的优劣，不同检索模型的特点，不同因素对信息检索的影响，从而对信息检索进一步优化。 由于IR的目标是在较短时间内返回较全面和准确的信息，所以信息检索的评价指标通常从三个方面考虑：效率、效果和其他如数据规模。 下面简单介绍几种常用的信息检索评价指标： 1、准确率与召回率（Preci
为什么Precision高Recall就低——F1 score
猫头军师兵书
04-16 1万+
F-score
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 6004
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。
python程序题求roc-auc是一种常用的模型评价指标_精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？...
weixin_29825411的博客
01-30 524
一只蚂蚁：到底如何理解AUC？​zhuanlan.zhihu.comAUC相关概念及作用1.AUC定义AUC(Area Under Curve)被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，模型效果越好;等于0.5时，则效果最差，无应用价值。2.AUC通俗解释1AUC就...
机器学习指标：准确率、精准率、召回率、F1、ROC曲线、AUC曲线
最新发布
大鹏的专栏
10-19 1426
还是拿之前的例子，总样本中，90% 是正样本，10% 是负样本。这里，TPR 只关注 90% 正样本中有多少是被真正覆盖的，而与那 10% 毫无关系，同理，FPR 只关注 10% 负样本中有多少是被错误覆盖的，也与那 90% 毫无关系，所以可以看出：如果我们从实际表现的各个结果角度出发，就可以避免样本不平衡的问题了，这也是为什么选用 TPR 和 FPR 作为 ROC/AUC 的指标的原因。举个简单的例子，比如在一个总样本中，正样本占 90%，负样本占 10%，样本是严重不平衡的。这样不利于模型的学习。
精确率、召回率、F1、AUC和ROC曲线
wangxiaoxiaodeer的博客
01-01 819
如果我们已经定好了一个阈值，超过此阈值定义为坏用户（1），低于此阈值定义为好用户（0），就可以计算出混淆矩阵（Confusion matrix）。 根据混淆矩阵我们可以得到TP,FN,FP,TN四个值，TP即为预测正确的坏用户的个数，FN为预测错误（预测为好用户）的坏用户个数，根据这四个值即可计算精确率、召回率和F1。 精确率（Precision）为TP/(TP+FP)，即为在预测为坏人的人中，预测正确（实际为坏人）的人占比。 召回率（Recall）为TP/(TP+FN)，即为在实际为...
精确率、召回率、F1 值、ROC、AUC等分类模型评价指标含义与作用详解
weixin_45459911的博客
03-30 1万+
文章目录摘要一、精确率、召回率、F函数、准确率和错误率1、定义2、区别与应用二、ROC曲线、P-R曲线、AUC1、P-R曲线2、ROC曲线3、AUC 摘要 在涉及机器学习领域的分类问题时（尤其是衡量推荐系统性能时），经常会遇到诸如准确率、召回率、ROC、AUC等名词。本文就来详细阐述一下各类评价指数的具体含义和特点。 一、精确率、召回率、F函数、准确率和错误率 1、定义 结合混淆矩阵进行说明 1...
roc曲线 vs pr曲线（AUC vs f1）
ml_hhy的博客
12-26 3282
一直不理解auc值与F1值的应用场景，什么情况下使用哪种指标可以更好观察模型表现 之前的理解是觉得使用f1值（即采用召回率和精确率）来评价模型会更好。 因为召回率和精确率更直观，可以使业务方对模型的预测效果有较准确预期 但roc其实更应该更多使用 接下来本篇会将roc曲线与pr曲线做对比，并且介绍auc的应用场景 ROC曲线 vs PR曲线 相比P-R曲线，ROC曲线有一个特点，当正负样本的分布发...
准确率，召回率，mAP，ROC，AUC，特异性，敏感性，假阴性，假阳性
mjiansun的专栏
09-14 1万+
P/R和ROC是两个不同的评价指标和计算方式，一般情况下，检索用准确率、召回率、F1、AP和mAP，分类、识别等用ROC和AUC（特异性和敏感性是ROC当中的一个部分）。 准确率、召回率、F1、AP和mAP这几个指标需要依次看，不然直接看AP和mAP看不明白。而ROC和AUC可以直接看不需要看前面的指标。 目录 准确率、召回率、F1 ROC和AUC 准确率、召回率、F1 信息检索、...
准确率、精确轨、召回率等
baoda0398的博客
09-14 680
作者：邓小乔链接：https://www.zhihu.com/question/30643044/answer/224360465 正好最近刚做了个项目是关于imbalanced data的，又深入研究了一把各种evaluation metric，在这儿分享一下。 为了方便，以下专业名词都用英文替代了。本人留学狗，脑子不好使容易蹦英文单词，不喜勿喷哈。 准确率 - accura...
精度、召回率、准确率、F1、ROC、AUC的理解
繁华里流浪的博客
01-31 6660
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...
auc 损失_精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？
weixin_39703468的博客
11-20 773
模型评估有时候要用precision和recall，有时候用AUC，不存在优缺点问题，只存在适用性问题。模型评估为啥不用precision和recall？因为它支持不了我的决策啊。。 同样的问题，根据不同情况，我可以问100个: 为啥这个模型评估不用AUC？而要用logloss，因为它支持不了我的决策啊 为啥这个模型评估不用logloss，而要用ROI？因为它支持不了我的决策啊 为啥这个模型不用R...
召回率（recall）和精度（precision）
热门推荐
W1995S的博客
03-21 10万+
识别精度主要是由召回率（recall）和精度（precision）表示的。通过绘制precision-recall 曲线，该曲线下方的面积越大，识别精度也就越高，反之越低。 在说明 recall 和 precision 计算公式之前需要先介绍几个数据定义。 在一个数据集检测中，会产生四类检测结果： TP、TN 、FP 、FN： T ——true 表示正确 F——false 表示错误 P—— positive 表示积极的，看成正例 N——negative 表示消极的，看成负例 我的理解：后面为预测结果，前面
准确率、精确率、召回率、F1值、ROC/AUC整理笔记
qq_36302589的博客
03-13 4136
对于二分类问题，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念来评价分类器的优良。 一、TP、TN、FP、FN概念 首先有关TP、TN、FP、FN的概念。大体来看，TP与TN都是分对了情况，TP是正类，TN是负类。则推断出，FP是把错的分成了对的，而FN则是把对的分成了错的。（我的记忆方法：首先看第一个字母是T则代表分类正确，反之分类错误；然后看P，在T中则是正类，若在F中则实际为...
pytorch计算模型评价指标准确率、精确率、召回率、F1值、AUC的示例代码
03-14
以下是一个使用 PyTorch 计算模型评价指标准确率、精确率、召回率、F1 值、AUC 的示例代码： ```python import torch import numpy as np from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score # 假设我们有一个二分类模型，输出为概率值 y_pred = torch.tensor([0.2, 0.8, 0.6, 0.3, 0.9]) y_true = torch.tensor([0, 1, 1, 0, 1]) # 将概率值转换为二分类标签 y_pred = torch.round(y_pred) # 将 PyTorch 张量转换为 NumPy 数组 y_pred = y_pred.numpy() y_true = y_true.numpy() # 计算各项指标 acc = accuracy_score(y_true, y_pred) precision = precision_score(y_true, y_pred) recall = recall_score(y_true, y_pred) f1 = f1_score(y_true, y_pred) auc = roc_auc_score(y_true, y_pred) # 输出结果 print("Accuracy: {:.4f}".format(acc)) print("Precision: {:.4f}".format(precision)) print("Recall: {:.4f}".format(recall)) print("F1 score: {:.4f}".format(f1)) print("AUC score: {:.4f}".format(auc)) ``` 注意：这只是一个示例代码，实际使用时需要根据具体情况进行修改。
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