机器学习评价标准，precision与recall通俗理解

最新推荐文章于 2025-06-05 16:28:28 发布
最新推荐文章于 2025-06-05 16:28:28 发布
阅读量5.9k 收藏 14
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 机器学习
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。
本文链接：https://blog.youkuaiyun.com/u010801994/article/details/80925040
本文介绍了机器学习中的评价指标recall和precision。recall（查全率）关注的是实际为正样本的预测正确比例，强调避免漏报，例如在医疗诊断中。而precision（查准率）关注预测为正样本中实际为正的比例，如在诈骗活动中减少误报以提高成功率。此外，还简单提到了准确率accuracy的概念。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

recall与precision区别：

（1）recall，召回率又名查全率，与漏报率有关，（漏报率，FN，即错误的预测为负样本，换句话说，将实际为正的样本预测为负），详情参照混淆矩阵，如下。

 

  预测为正样本（positive，P） 预测为负样本（negative，N）
实际为正样本 TP FN
实际为负样本 FP TN
最低0.47元/天 解锁文章

200万优质内容无限畅学
机器学习与深度学习评价指标
weixin_44903776的博客
07-28 126
本文介绍了机器学习与深度学习中的关键评价指标。分类问题中，准确率衡量总体预测正确率但受类别分布影响；精确率关注预测为正例中的准确比例，召回率评估真实正例的识别能力。F1分数是两者的调和平均，适合平衡场景。通过垃圾邮件分类的Python示例，展示了精确率75%、召回率75%和F1分数0.75的模型性能分析。ROC曲线和AUC值（示例0.876）则从概率角度评估模型区分能力，不同阈值策略（保守0.7/激进0.3/平衡0.5）会影响性能表现。这些指标共同构成了评估分类模型的多维体系。
[Python从零到壹] 十三.机器学习之聚类算法四万字总结全网首发（K-Means、BIRCH、树状聚类、MeanShift）
热门推荐
杨秀璋的专栏
07-06 1万+
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望
precision和recall
佐井白白的微笑
12-05 853
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
Precision和Recall​
weixin_42035080的博客
09-22 3571
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.
精准率和召回率
最新发布
m0_69648014的博客
06-05 326
预测为正类的样本中，实际为正类的比例。聚焦于预测结果的准确性。
precision与Recall
lzz555517的博客
08-31 8905
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
Precision和Recall
weixin_43455016的博客
08-13 2162
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。
机器学习系列(二)——评价指标Precision和Recall
CX330lxy的博客
11-04 5861
机器学习基础，评价指标
class average accuracy, accuracy ,precision ,recall 机器学习基础评价标准
乱七八糟的笔记
09-29 4757
这几个评价标准非常容易弄混与想当然。认真看哈，很重要。 对于室内场景，或者是任何带类别的识别任务，都会有class average accuracy. 大家想当然的翻译成类平均识别率，就会和precision搞混。而且又因为它带一个accuracy，所以会和accuracy搞混。 precision 认准率。通俗来讲就是你认出来的，有多少人对了。举个例子，你家有一只狗，还有两瓶啤酒，两份...
【机器学习】查全率（Recall）/查准率（Precision）/F-Measure/AP（Average Precision）/MAP
shangpapa3的博客
07-27 7984
查全率（Recall）/查准率（Precision）/综合评价指标（F-Measure）/AP（Average Precision）/MAP（Mean Average Precision）
Recall（召回率）和 Precision（精确率） 的区别和F1分数
TuringEvo专栏
02-18 1637
简而言之，Precision 关注的是“准确性”，即你所选择的内容中有多少是对的；例如，在一些应用场景下，可能更倾向于减少漏报（提高 Recall），而在其他场景下则可能更注重降低误报（提高 Precision）。因此，选择优化的方向取决于具体的应用需求。但是，在这个案例中，由于 Recall 只有 0.5，意味着有一半的垃圾邮件未被发现，可能会让用户错过重要的过滤。意味着几乎所有的垃圾邮件都能被捕捉到，但同时可能也会误判一些正常的邮件为垃圾邮件（如上述例子中的 FP），导致 Precision 下降。
评价指标_Precision（精确率）、Recall（召回率）和Accuracy（准确率）区别和联系
惊鸿一博
03-31 2217
在实际应用中，需要根据具体的任务需求来选择使用哪种评价指标。如果任务更注重在预测为正例的样本中保持高的准确性，那么应该关注精确率；如果任务更注重找出所有真正为正例的样本，那么应该关注召回率；如果任务要求整体的预测准确性，那么应该关注准确率。Precision（精确率）、Recall（召回率）和Accuracy（准确率）是机器学习和信息检索领域常用的评价指标，它们用于评估分类器或检索系统的性能，但各自关注的方面略有不同。
precision and recall
u012836354的博客
01-20 5307
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（精准率） and Recall（召回率）
Xyzx043874的博客
02-10 2698
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 (精确率) 和 Recall (召回率)
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。
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