精确率、召回率、F1 值、ROC、AUC 各自的优缺点

最新推荐文章于 2025-03-22 10:41:45 发布
最新推荐文章于 2025-03-22 10:41:45 发布
阅读量3.1k 收藏 3
点赞数
分类专栏： 机器学习 文章标签： 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/u010814042/article/details/78149480
版权
本文详细介绍了ROC曲线和PRC曲线在机器学习中的作用，包括它们的定义、优缺点以及适用场合。ROC曲线适用于数据不平衡情况不严重的情况，而PRC曲线在正样本远小于负样本时能更好地评估模型性能。地震预测和嫌疑人定罪是两个不同的应用场景实例，前者更关注召回率，后者更注重精确率。

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

本文主要汇总了知乎的回答[https://www.zhihu.com/question/30643044]
ROC曲线的概念：http://blog.youkuaiyun.com/abcjennifer/article/details/7359370
PRC曲线的概念: http://blog.youkuaiyun.com/u012089317/article/details/52156514

1. 总体介绍

ROC：ROC是光滑的， 基本可以判断没有太大的overfitting。然后看auc的大小，就是ROC曲线下方的面积，面积越大一般认为模型越好。
PRC：先看光不光滑，上面的比下面的好。连接(0,0)和(1,1)的线，线和PRC重合的地方的F1是这条线最大的F1（光滑的情况下），此时的F1对于PRC就好象AUC对于ROC一样。一个数字比一条线更方便调模型。

2. 使用场合：

  • 如果没有data imbalance,倾向于用ROC；
  • 如正样本远小于负样本，
最低0.47元/天 解锁文章
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...
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 5901
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。
AUC性能指标计算方法及优缺点
小郁同学
07-21 2091
AUC是重要性能指标，除了Area under curve的面积意义以外，还可以通过统计上的概率进行解释。
准确率、精确率、召回率、F1值
最新发布
D2460596421的博客
03-22 1103
4. F1 = 2 /（1/精准率 + 1/召回率）=（2*精准率*召回率）/ （精准率+召回率）（在我看来是基于真实类别来判别的，所以分母是该类的真是类别全部个数）（在我看来是基于预测结果来判别的，所以分母是预测该类的全部个数）3.召回率 = 对于一类预测正确的个数 / 真正是该类的全部个数。2.精确率 = 对于一类预测正确的个数 / 预测该类的全部个数。1.准确率 = 预测正确个数 / 总样本的个数；由于需要对精准率和召回率的综合，才引出了F1。准确率和召回率都是基于一类进行研究的。
CTR 预测理论（十五）：分类评价指标 AUC 总结（优缺点、计算公式推导）
Dby_freedom的博客
05-04 1万+
个人复习总结分类评价指标 ROC，AUC 时候，私以为 AUC 作为 CTR 预估常用离线评估指标，有着丰富的含义和特性，现对其含义、优缺点、用途、计算公式推导等做一个盘点。
分类模型常见F1分数、精确率、召回率、正确率、虚警率和漏检率、平衡精度、AUC等性能评价指标
程序猿进化梯
10-15 9095
目录1、常见的几种预测情况2、精确率和召回率（Precision And Recall）3、F1-分数（F1-Score）4、其他常见性能评价指标 1、常见的几种预测情况 TP ,True Positive,表示把正类预测为正类 TN,True Negative,表示把负类样本预测为负类 FP,False Positive,表示把负类预测为正类 FN,False Negative,表示把正类预测为负类。 “狼来了”的故事模型 2、精确率和召回率（Precision And Recall） 精确度/精确率（
机器学习性能评价指标准确率， 召回率，F1， ROC ，AUC
None_Pan的博客
05-18 969
假设我们做一个诈骗监测模型： 诈骗检测模型的输出是交易欺诈的概率[0.0–1.0]。 如果此概率低于0.5，则将交易分类为非欺诈； 否则，您将交易分类为欺诈。 为了评估模型的性能，您收集了10,000个手动分类的交易，其中有300个欺诈交易和9,700个非欺诈交易。 您在每个事务上运行分类器，预测类标签（欺诈或非欺诈），并在以下混淆矩阵中总结结果： ...
机器学习中——常见二元分类性能指标（准确率、精确率、召回率、F1值、ROC AUC得分）
RookieWantToFly的博客
05-02 1749
接下来以垃圾信息分类器作为例子说明： 文章目录一、垃圾短信分类器二、二元分类性能指标1. 准确率2. 精准率和召回率3.F1值4.ROC AUC 一、垃圾短信分类器 对于垃圾短信分类器，当分类器将一条短信正确地预测为垃圾短信时为真阳性；当分类器将一条短信正确地预测为非垃圾短信时为真阴性；当非垃圾信息被预测为垃圾信息时为假阳性；当垃圾信息被预测为非垃圾信息时为假阴性； 垃圾信息 非垃圾信息 预测为垃圾信息 真阳性(TP) 假阳性(FP) 预测为非垃圾信息 假阴性(FN) 真阴性(TN)
精确率、召回率、F1、AUC和ROC曲线
wangxiaoxiaodeer的博客
01-01 814
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...
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 1887
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
（14）机器学习_f1,auc值
xdg15294969271的博客
09-05 560
1、f1,auc介绍 2、如何计算 这里采用的是华数杯附件一中的数据 import numpy as np from sklearn.svm import SVC from sklearn.model_selection import train_test_split from sklearn.preprocessing import MinMaxScaler from sklearn.metrics import classification_report import pandas as pd from
评估指标（二）| F1分数、AUC
weixin_46390472的博客
02-16 2338
书接上文，我们已经讨论了准确率、精确率和召回率，本文将讨论和这两种常用指标。
深入理解实际场景下 AUC vs F1 的区别——不说废话
热门推荐
Jerry_Lu_ruc的博客
08-10 2万+
面试的时候经常被问的一个问题是 AUC和F1 score有什么区别。笔者看了很多博文，感觉相当一部分在分析混淆矩阵和auc、f1的定义上花了太多笔墨，但对于两者的区别和联系，有种到了门前就差临门一脚的感觉。因此笔者去stack overflow上找了很多回答，感觉收获很多，在此简明扼要的写一下收获。如有纰漏欢迎指正。 1、定义： AUC的优化目标：TPR和(1-FPR) F1的优化目标：Recall和Precision 这里不再对混淆矩阵(TP、FP、TN、FN)相关的一些很细的概念做详细解释，推荐去看一下
F1,AUC的区别与选择
ybdesire的专栏
10-06 4346
1. 引入 评价一个分类器模型的效果，可以用交叉验证，也可以根据场景将数据切分为训练集、测试集，评价指标有Accuracy,F1-Value,AUC等。 那我们该如何选择评价指标呢？不同场景下选择哪个指标更合理呢？ 2. 原理区别 Accuracy 准确率 准确率高的模型，不一定是好模型 比如癌症预测，100个人中只有一个病人，若分类器都输出0，准确率为99%，但我们都知道这无法找到任何一个癌症病人 所以大部分场景，都不能直接根据Accuracy来评价模型 F1-Value 综合考虑了Prec
AUC、ACC、F1、准确率、召回率
qq_44783689的博客
12-01 1万+
准确率 - accuracy 精确率 - precision 召回率 - recall F1值 - F1-score ROC曲线下面积 - ROC-AUC （area under curve） PR曲线下面积 - PR-AUC 1 、auc AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，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，检测方法真实性越高;等于0.5时，则真实性最低，无应用价
roc曲线 vs pr曲线（AUC vs f1）
ml_hhy的博客
12-26 3254
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...
MindSpore分类指标之准确率、AUC/ROC详解（一）
xi_xiyu的博客
01-25 1767
一、评价指标基本概念 评价指标是针对模型性能优劣的一个定量指标。 一种评价指标只能反映模型一部分性能，如果选择的评价指标不合理，那么可能会得出错误的结论，故而应该针对具体的数据、模型选取不同的的评价指标。 本文将详细的介绍一下在教程中的图片分类项目为什么要用准确率(Accuracy)来作为评价指标。使用准确率(Accuracy)的时候，数据需要满足那些条件。 二、混淆矩阵 我们从混淆矩阵开始，引出我们所要讲述的评价指标。 图1-混淆矩阵 TP、FN、FP、TN的解释：（1）若一
【机器学习算法面试题】一.准确率Accuracy的局限性。
计算机科研杂货铺
01-20 1500
序言 在模型评估的过程中，分类问题、排序问题、回归问题往往需要使用不同的指标进行评估。在诸多的评估指标中，大部分指标只能片面地反映模型的一部分性能。如果不能合理的运用评估指标，不仅不能发现模型本身的问题，而且会得出错误的结论。 准确率的定义 Accuracy = N(correct) / N(total) 其中，N(correct) 为正确分类的样本数，N(total) 为总样本数。 局限性 准确率是分类问题最简单也是最直接的评价标准，但存在明显的缺陷。如：当负样本数占99%时，分类器把所有样本都预测为负样
准确率、精确率、召回率、F1值、ROC/AUC整理笔记
qq_36302589的博客
03-13 4077
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