精确率(precision [prɪˈsɪʒən])、召回率(recall [rɪˈkɔ:l])、准确率(accuracy [ˈækjərəsi])

本文深入解析混淆矩阵概念,并详细介绍精确率、召回率及准确率三种评价指标的计算方法,通过实例帮助读者理解这些指标在分类任务中的应用。

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

本文主要整理3项评价指标,感谢大佬给与共享资源@nana-li (https://blog.youkuaiyun.com/quiet_girl/article/details/70830796)@redhorse_plus(https://blog.youkuaiyun.com/sarah98/article/details/78282068

,如涉及侵权问题,告知本人将立即删除。


在介绍指标前先了解“混淆矩阵”:

混淆矩阵

True Positive(真正,TP):将正类预测为正类数

True Negative(真负,TN):将负类预测为负类数

False Positive(假正,FP):将负类预测为正类数 -->误报 (Type I error)

False Negative(假负,FN):将正类预测为负类数→漏报 (Type II error)

这里写图片描述

定义:

精确率(precision [prɪˈsɪʒən]):\frac{TP}{TP+FP }     = 查准率(准针对的是预测结果)

精确率是针对预测结果而言的,它表示预测为正的结果的样本中有多少是真正的正样本。

即正确预测为正的占全部预测为正的比例。

召回率 (recall [rɪˈkɔ:l]):\frac{TP}{TP+FN}   查全率  (全针对的是原来的样本)

召回率是针对原来的样本而言的,它表示的是样本中的正比例有多少被预测正确了。

即正确预测为正占全部正样本的比例。

准确率 (accuracy [ˈækjərəsi]) :\frac{TP+TN}{TP+TN+FP+FN}

即预测准确的占全部样本的比例。


举例:

假设我们手上有60个正样本,40个负样本,我们要找出所有的正样本,系统查找出50个,其中只有40个是真正的正样本,计算上述各指标。
  • TP: 将正类预测为正类数 40
  • FN: 将正类预测为负类数 20
  • FP: 将负类预测为正类数 10
  • TN: 将负类预测为负类数 30

精确率(precision) = TP/(TP+FP) = 80%

召回率(recall) = TP/(TP+FN) = 2/3

准确率(accuracy) = TP+TN)/(TP+FN+FP+TN) = 70%

想不明白可以参考图片计算。

如有错误请指正,谢谢!

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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