准确率和召回率(precision&recall)

最新推荐文章于 2025-10-17 11:15:15 发布
原创 最新推荐文章于 2025-10-17 11:15:15 发布 · 2.1w 阅读 · 36 ·
CC 4.0 BY-SA版权
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。
文章标签：

#机器学习 #准确率和召回率

本文介绍了评估机器学习算法性能的几个关键指标：准确率、召回率、F-measure及F1-score，并探讨了它们之间的关系，同时讲解了平均准确率（AP）的概念及其不同计算方式。
AI助手已提取文章相关产品：

在机器学习、推荐系统、信息检索、自然语言处理、多媒体视觉等领域，经常会用到准确率(precision)、召回率(recall)、F-measure、F1-score 来评价算法的准确性。

一、准确率和召回率(P&R)

以文本检索为例，先看下图



其中，黑框表示检索域，我们从中检索与目标文本相关性大的项。图中黄色部分(A+B)表示检索域中与目标文本先关性高的项，图中

A+C部分表示你的算法检索出的项。A、B、C的含义图中英文标出。

准确率：


召回率：


一般来说，准确率表示你的算法检索出来的有多少是正确的，召回率表示所有准确的条目中有多少被检索出来。

准确率和召回率的关系

通常，我们希望准确率和召回率均越高越好，但事实上这两者在某些情况下是矛盾的。比如我们只搜出了一个结果，此结果是正确的，求得precisin等于1。但是由于只搜出一个结果，recall值反而很低，接近于0。所以需要综合考量，下面介绍F-measure。

二、F-measure

F-measure又称F-score,其公式为：


其中F2值，更加注重召回率；F0.5值更加重视准确率。

当beta=1时，就是F1-score：


F-measure综合了precision和recall,其值越高，通常表示算法性能越好。

三、Average_precision(AP)

平均正确率（AP）：对不同召回率点上的正确率进行平均。
(1)未插值的AP：某个查询Q共有6个相关结果，某系统排序返回的文档中，其中相关文档有5篇，其位置分别是第1，第2，第5，第10，第20位，则AP=（1/1+2/2+3/5+4/10+5/20+0)/6
(2)插值的AP：在召回率分别为0,0.1,0.2,...,1.0的十一个点上的正确率求平均，等价于11点平均。
(3)只对返回的相关文档进行计算的AP，AP=（1/1+2/2+3/5+4/10+5/20)/5，倾向于那些快速返回结果的系统，没有考虑召回率。

您可能感兴趣的与本文相关内容

分类模型评估：混淆矩阵、准确率、召回率、ROC
Laurence的技术博客
02-13 4422
在二分类问题中，混淆矩阵被用来度量模型的准确率。因为在二分类问题中单一样本的预测结果只有Yes or No，即：真或者假两种结果，所以全体样本的经二分类模型处理后，处理结果不外乎四种情况，每种情况都有一个专门称谓，如果用一个2行2列表格描述，得到的就是“混淆矩阵”。其中，假阳性（FP）又被称为“Type 1 Error”，假阴性（FN）又被称为“Type 2 Error”。在所有“预测为真”（TP+FP）的数据中，有多少是“真得预测对了”（TP）的? 这个百分比叫“准确率”（Precision）在所有“实际
如何区分精确率(precision)、准确率(accuracy)和召回率（recall）
08-08 2万+
理解精确率(precision)、准确率(accuracy)和召回率（recall） 正样本 负样本 预测正例 TP FP 预测反例 FN TN TN，预测是负样本，预测对了 FP，预测是正样本，预测...
准确率（accuracy）、精确率（precision）、召回率（recall）
热门推荐
Cheese_pop的博客
10-13 6万+
整理了知乎上的前两个回答，https://www.zhihu.com/question/19645541 其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索
AI算法测试基础
qq_29609427的博客
10-17 471
缩写全称核心含义简单解释​​True Positive（真正例）​​模型预测出的。例如，患者确实生病，模型也判断为生病​​True Negative（真负例）​​模型预测出的。例如，健康人确实健康，模型也判断为健康​​False Positive（假正例）​​模型发出的​（误报）。例如，健康人被模型误判为生病​​False Negative（假负例）​​模型放过的​（漏报）。例如，患者被模型漏判为健康可以这样来记忆第二个字母（）代表模型的。
准确率-召回率 - Precision-Recall
BerryBC的三世书
10-19 6788
Precision-Recall 准确率-召回率 本文翻译自 Precision-Recall
NLP中文分词的评估指标
空字符
01-01 2296
1.背景 NLP中一个最基本任务就是分词，当我们分词完成之后怎么来评判分词结果的好坏呢？换句话来说就是我该如何对分词结果打分？这个分数怎么算法，依照的标准是什么？例如： 原句子：武汉市长江大桥 分词一：武汉 市长 江大桥 分词二： 武汉市 长江大桥 对于分词一和分词二的打分应该是多少呢？为了搞清楚这个问题，我们先来学习（回顾）一些机器学习中的常见分类评估标准。 2.机器学习中的分类评估 2.1...
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 1250
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。
目标检测评价指标Precision、Recall、mAP
weixin_45453121的博客
04-05 2513
目标检测评估指标
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC
架构和代码
07-06 5万+
在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式:             召回率(Recall)      =  系统检索到的相关文件 /
召回率与准确率
zhoubl668的专栏：远帆，梦之帆！
10-26 3521
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，也更能体现其实质意义。 准确率：Precision，又称“精度”、“正确率”。 以检索为例，可以把搜索情况用下图表示： 相关 不相关 检索到 A B 未检索到
准确率与召回率（Precision & Recall）、F-score
CLAY&Loser的博客
06-15 1435
准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。一般来说，Precision就是检索出来的条目（比如：文档、网页等）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。正确率、召回率和
分类：准确率、召回率、精确率和相关指标.pdf
05-14
在实际应用中，除了单独考虑上述指标外，还会结合其他指标，如F1分数（F1 Score），它是精确率和召回率的调和平均数，公式为：F1 = 2 * (precision * recall) / (precision + recall)。F1分数提供了一个单一的指标来...
详解精确率 (Precision)召回率 (Recall)F1评分 (F1 Score)
weixin_53765658的博客
05-29 1万+
低召回率，高精确率: 系统过于挑剔，推荐较少的视频，大多数是相关的，但错过了很多相关视频。这导致高精确率但低召回率。高召回率，低精确率: 系统过于宽泛，推荐了很多视频，捕捉了更多的相关视频，但也包括许多不相关的视频。这导致高召回率但低精确率。在这两种情况下，精确率和召回率之间的不平衡导致了低F1评分，突显了需要更好地平衡以实现最佳推荐系统。
人工智能-准确率（Precision）、召回率（Recall） 和 F1 分数
高效匠人
06-15 1279
准确率、召回率和F1分数在大模型评估中的应用 在自然语言处理任务中，准确率（预测为正类的正确比例）衡量模型预测的可靠性（如垃圾邮件分类），召回率（实际正类被识别的比例）反映覆盖能力（如疾病筛查）。两者常存在此消彼长的关系。F1分数（两者的调和平均）用于平衡两者，适用于需兼顾精度和覆盖的场景（如法律文本分类）。 大模型中的特殊考量： 生成任务（如摘要）需权衡生成内容的准确率（事实性）与召回率（关键信息覆盖）； 多标签分类需计算宏/微平均F1； 长文本处理中召回率易下降，需针对性优化。 示例：实体识别任务中，若
精确率（Precision）和召回率（Recall）和准确率（accuracy）的区别
weixin_56533314的博客
09-27 2762
精确率关注的是模型预测为正类时有多准确，适合误报代价高的场景。召回率关注的是模型能够识别出多少正类样本，适合漏报代价高的场景。准确率关注的是模型整体的预测正确性，但在类别不均衡时可能误导决策。三者的选择取决于具体应用场景中的任务需求和代价。
话说正确率、召回率和F值
silence1214的专栏
07-12 3423
正确率、召回率和F值是在鱼龙混杂的环境中，选出目标的重要评价指标，本文就针对这三个指标得瑟得瑟。         不妨看看这些指标的定义先： 正确率 = 正确识别的个体总数 /  识别出的个体总数 召回率 = 正确识别的个体总数 /  测试集中存在的个体总数 F值  = 正确率 * 召回率 * 2 / (正确率 + 召回率)         不妨举这样一个例子：某池塘有1400条鲤鱼，3
准确率和召回率
sanjing24的博客
12-02 1225
1. 准确率 = 提取出的正确信息条数 /  提取出的信息条数       2. 召回率 = 提取出的正确信息条数 /  样本中的信息条数     通俗来说,准确率可以叫做查准率，召回率可以叫做查全率。更通俗一点，准确率可以表示为：“你的预测里有多少是对的”，召回率可以表示为：“正例中你的预测占的比例”。 举个例子，桌上共有10本书，有4本书是你想找的，然后你根据某个算法，找到了
准确率与召回率
weixin_42464525的博客
07-30 2496
1、准确率与召回率（Precision & Recall） 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。 一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是...
Accuracy准确率、Precision精确率、Recall召回率和F1分数怎么计算的
最新发布
10-21
在二分类问题中，通常会使用混淆矩阵来辅助计算这些评估指标，混淆矩阵包含四个关键值：真正例（True Positive，TP）、假正例（False Positive，FP）、真反例（True Negative，TN）和假反例（False Negative，FN）。 ### Accuracy（准确率） 准确率是指预测正确的样本占总样本的比例，计算公式如下： \[ Accuracy = \frac{TP + TN}{TP + TN + FP + FN} \] 它衡量的是模型在所有样本上的整体预测正确性。 ### Precision（精确率） 精确率是指预测为正例的样本中，实际为正例的比例，计算公式如下： \[ Precision = \frac{TP}{TP + FP} \] 精确率反映了模型预测正例的查准能力。 ### Recall（召回率） 召回率是指实际为正例的样本中，被模型正确预测为正例的比例，计算公式如下： \[ Recall = \frac{TP}{TP + FN} \] 召回率体现了模型对正例的查全能力。 ### F1分数 F1分数是精确率和召回率的调和平均数，用于综合衡量精确率和召回率，计算公式如下： \[ F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall} \] F1分数越接近1，说明模型的性能越好。 在多分类问题中，可以将其拆分成多个二分类问题，分别计算各个类别的精确率和召回率，最终求均值作为所有样本的评估指标。 ```python from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score import numpy as np # 示例真实标签和预测标签 y_true = np.array([0, 1, 2, 0, 1, 2]) y_pred = np.array([0, 2, 1, 0, 0, 2]) # 计算准确率 accuracy = accuracy_score(y_true, y_pred) # 计算精确率（宏平均） precision = precision_score(y_true, y_pred, average='macro') # 计算召回率（宏平均） recall = recall_score(y_true, y_pred, average='macro') # 计算F1分数（宏平均） f1 = f1_score(y_true, y_pred, average='macro') print(f"Accuracy: {accuracy}") print(f"Precision: {precision}") print(f"Recall: {recall}") print(f"F1 Score: {f1}") ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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