准确率、召回率、F-1值、ROC

最新推荐文章于 2025-04-21 09:47:31 发布
最新推荐文章于 2025-04-21 09:47:31 发布
阅读量1k 收藏 2
点赞数 1
分类专栏： 数据分析学习总结笔记 文章标签： 机器学习 数据挖掘 分类
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/weixin_41961559/article/details/125327290
版权

1 混淆矩阵

如果我们用的是一个二分类模型，那么把预测情况和实际情况的所有结果进行两两组合，就会出现如下的混淆矩阵。
混淆矩阵
其中的核心概念如下，1代表正类、0代表负类：

  • TP：若一个实例是正类，但是被预测成为正类，即为真正类(True Postive)
  • TN：若一个实例是负类，但是被预测成为负类，即为真负类(True Negative)
  • FP：若一个实例是负类，但是被预测成为正类，即为假正类(False Postive)
  • FN：若一个实例是正类，但是被预测成为负类，即为假负类(False Negative）

2 准确率

预测正确的结果占总样本的百分比，其公式如下：(TP+TN)/(TP+TN+FP+FN)。
在这里插入图片描述

虽然准确率可以判断总的正确率，但是在样本不平衡的情况下，并不能作为很好的指标来衡量结果。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。对于这种情况，我们只需要将全部样本预测为正样本即可得到90%的高准确率&#

最低0.47元/天 解锁文章
模型评估指标：准确率召回率与F1值
AI天才研究院
05-01 1383
1. 背景介绍 在机器学习领域，构建模型只是第一步，评估模型的性能则是至关重要的一环。模型评估指标能够帮助我们量化模型的优劣，并指导模型的改进方向。在众多的评估指标中，准确率、召回率和F1值是最为常见的三个指标，它们分别从不同的角度衡量模型的性能。 1.1 分类问题的评估指标 准确率
准确率 召回率_机器学习—准确率(Precision)、召回率(Recall)、F值(F-Measure)
weixin_39900045的博客
12-08 389
摘要：　　数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)简介。在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。业内目前常常采用的评价指标有准确率(Precision)、召回率(Recall)、F值(F-Measure)等，下图是不同机器学习算法的评价指标。下文讲对其中某些指标做简要介绍。本文针对二元分类...
精确率 召回率 F1（详细）
qq_20449731的博客
02-05 1893
精确率召回率等相关知识点经常出现在笔试题中，如果仅考查精确率召回率并不难理解记忆。但是有时结合ROC等知识点时，TP，NP，TN，FN，4个不易区分的符号及各种比率会对初学者的理解产生干扰，本文将几个知识点结合起来举例解释，希望能方便大家理解记忆。背景当我们那一个已知结果的数据对算法进行测试时，不难发现算法对数据判断出现的错误。 当待处理数据简单分为正负两类时，显然 对于原数据来说，只有正负两种
评估指标：准确率(Precision)、召回率(Recall)以及F值(F-Measure)
08-25 3102
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（Precision &
召回率（Recall）
最新发布
神棍之路
04-21 2101
召回率表示实际为正类的样本中被正确预测为正类的比例：正确预测的正类样本数；：实际为正类但被误判为负类的样本数。例如，在医疗检测场景中，若实际患病的50人中模型正确识别45人，召回率为 (45/50=90%)，表明模型成功找出90%的真实患者。召回率是评估模型“查全能力”的核心指标，需根据具体场景权衡其与精确率的关系。在医疗、安防等高风险领域，通常优先保证高召回率；而在误报成本较高的场景（如垃圾邮件过滤），则需侧重精确率。实际应用中，建议结合ROC曲线、F1值等多指标综合评估模型性能。
机器学习结果统计－准确率、召回率，F1-score
热门推荐
Net_Wolf_007的专栏
06-27 1万+
对机器学习结果统计概述说明
正确率、召回率和F值
水木小僧
06-06 1515
正确率、召回率和F值是目标的重要评价指标。  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，300只虾，300只鳖。现在以捕鲤鱼为目的。Seaeagle撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别...
朴素贝叶斯 混淆矩阵，2分类下的混淆矩阵，精确率与召回率，F1-score
ck784101777的博客
07-25 8108
目录 1.混淆矩阵 2.精确率(Precision)与召回率(Recall) 3.F1-score 4.sklearn API接口 参考文档 1.混淆矩阵 混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。 在分类任务中，预测结果与正确标记之间存在四种不同的组合，构成混淆矩阵，以下是二分类的混淆矩阵： 假设有一组数据集，一共有66个样本，三个目标值，猫、狗、猪。 混淆矩阵为： 关于这个混淆矩阵，从真实值为猫这一列开始看，代.
机器学习中准确率，精确率，召回率，F-1指标及ROC曲线是啥
qq_43571340的博客
01-07 1763
毕设文献翻译时遇到很多不太懂得机器学习名词，广集资料留以自查。
机器学习分类评估方法——准确率、精确率、召回率、F1-score、ROC曲线 的详细介绍
Ma Sizhou
03-02 2796
目录1、分类评估方法1.1 分类评估方法1.1.1 精确率与召回率（1）混淆矩阵:（2） 精确率(Precision)与召回率(Recall)1.1.2 F1-score1.1.3 分类评估报告api1.2 ROC曲线与AUC指标1.2.1 TPR与FPR1.2.2 ROC曲线1.2.3 AUC指标1.2.4 AUC计算API总结：2、ROC曲线的绘制2.1 曲线绘制（1） 如果概率的序列是（1:0.9,2:0.7,3:0.8,4:0.6,5:0.5,6:0.4）（2） 如果概率的序列是（1:0.9,2:.
模型评估指标_精准率、召回率、F1-score、ROC曲线、AUC曲线
PuJiang-的博客
05-05 3718
一、分类结果混淆矩阵 1、T、F、P、N辨析 P(Positive)、N(Negative)针对的是预测值的结果。 P表示对样本的预测结果为正例， N表示对样本的预测结果为反例。 T(True)、F(False)针对的是预测值的结果是否预测对了。 TP表示对该样本预测结果为正例，同时预测对了，真实标签和预测标签都为正例， FP表示对该样本预测结果为正例，但是预测错了，真实标签为反例，预测标签为正例， TN表示对该样本预测结果为反例，同时预测对了，真是标签和预测标签都为反例， FN表示对该样本预测结果为反
召回率
学习python
09-29 7210
在做支持向量机的数据分析时，打印了一下classification_report报告结果如下： precision recall f1-score support 0 0.92 1.00 0.96 35 1 0.96 0.98 0.97 54...
精确率 召回率
stone_tomcate的博客
07-22 528
精确率 精确率指标尝试回答以下问题： 在被识别为正类别的样本中，确实为正类别的比例是多少？ 精确率的定义如下： Precision=TPTP+FP 注意：如果模型的预测结果中没有假正例，则模型的精确率为 1.0。 让我们来计算一下上一部分中用于分析肿瘤的机器学习模型的精确率： 真正例 (TP)：1 假正例 (FP)：1 假负例 (FN)：8 真负例 (TN)：90 精确率精确率=TPTP+FP=11+1=0.5 该模型的精确率为 0.5，也就是说，该模型在预测恶性肿瘤
[每日一氵] BERT下游二分类任务精确率P约为0.5，召回率R约为1的问题
先说一下，就简单地写点儿氵文，不是博客，只是我的笔记本/工具书
12-21 1219
怎么能把上边儿这个玩意儿关了啊??? 这样行不？？ 好吧不行 昨天训练BERT玩儿，跑了一下test，结果精确率约为0.5，召回率约为1，？？？？？？ 这BERT这么吊的吗？？？ 召回率率基本上为1??? 后来想了一下，大概就是把所有的样本预测为正类了，而TEST集中正负样本为1:1，所以召回率为1，准确率为0.5 诶，这不是训练过的样本吗？？怎么会全预测为1呢？ 哦，原来是我训练完了，忘了从服务器上down下来了… hai 这样就正常多了 在此感谢另一位队友，感谢老铁的帮助！！！ ...
机器学习——准确率、精度、召回率和F1分数(Machine Learning - Accuracy, Precision, Recall, F1-Score)
UoM_XiaoShuaiShuai的博客
07-16 8386
Evaluation of Machine Learning Algorithm Once you have done a machine learning model for classification problem, we want to know the accuracy of prediction of the model. We can use accuracy, precision
召回率与正确率
jackyblackme的博客
06-21 565
召回率与正确率在机器学习、推荐系统等现实的情形中，我们往往会在不同的时候关注结果的不同部分，而召回率与正确率恰恰是对结果在不同侧面的度量。召回率 召回率的设计目的是度量输出结果中包含ground truth的量的多少。举个例子，一天我和章小贱去逛漫展，拍了好多照片（这里假设400张吧），然后让章小贱找出我们俩拍了照片的coser中的女coser，实际上有321个是coser，章小贱正确的找到了20
分类模型评估指标详解（二分类、多分类、混淆矩阵）
iMonster
07-12 2622
召回率和精确率之间往往存在此消彼长的关系，当模型能找出更多的正样本时，往往也会导致将更多的负样本分类为正样本，即recall高时，precision往往较低，而precision高时，recall往往较低。对于多分类问题中的不平衡数据集，最常用的指标就是多分类版本的f- 分数。多分类f- 分数背后的想法是，对每个类别计算一个二分类f- 分数，其中该类别是正类，其他所有类别组成反类。对于多分类模型的评价方法，通常是先将其转换为多个二分类模型，分别对其进行指标计算，然后使用一些规则来把这些指标汇总起来。
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 9154
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（
深度学习笔记: 最详尽解释预测系统的分类指标(精确率、召回率和 F1 值)
weixin_53765658的博客
07-02 2044
让我们来谈谈预测系统的分类指标以及对精确率、召回率和F1分数的直观解释。每当我们设计预测系统时，无论是统计模型还是复杂的神经网络，我们都希望看到它的表现如何。我们希望准确了解输出的质量，不仅如此，我们还希望能够将它们与其他当代或最先进的系统进行比较，以证明我们的方法更优。制定这样的比较并不简单。我们必须从多个角度提出质量问题，这需要一个良好的指标来量化输出的质量，使它们能够直接与其他方法进行比较，并确保输入不变性。
准确率,精确率,召回率f1值图像
03-24
### 准确率、精确率、召回率和F1值的定义 #### 1. 准确率 (Accuracy) 准确率是指模型预测正确的样本数占总样本数的比例。其计算公式如下： \[ \text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FP} + \text{FN} + \text{TN}} \] 其中，TP表示真阳性（True Positive），TN表示真阴性（True Negative）。这表明准确率衡量的是整体分类效果的好坏[^1]。 #### 2. 精确率 (Precision) 精确率指的是在所有被模型预测为正类的样本中，实际为正类的样本比例。其计算公式如下： \[ \text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} \] 这意味着精确率关注于减少误报的情况，即降低假阳性的数量。 #### 3. 召回率 (Recall) 召回率也称为灵敏度或真正类率（True Positive Rate, TPR），它衡量的是在所有实际为正类的样本中，被正确预测为正类的比例。其计算公式如下： \[ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} \] 召回率主要关注漏报的情况，即尽可能多地找出所有的正类样本。 #### 4. F1 值 (F1-Score) F1值是精确率和召回率的调和平均数，用于平衡两者之间的关系。其计算公式如下： \[ \text{F1-Score} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} \] 当精确率和召回率都很重要时，通常会使用F1值作为评估标准。 --- ### ROC 曲线与 AUC 的概念 除了上述指标外，ROC曲线也是常用的性能评估工具之一。ROC曲线通过绘制不同阈值下的真正类率（TPR）和伪正类率（FPR）来展示模型的表现。理想情况下，ROC曲线应该靠近左上角，即TPR接近1而FPR接近0[^3]。 以下是ROC曲线的一个简单示意图： ```plaintext | | * | * * | * * | * * | * * | * * | * * |*_______________________________> False Positive Rate (FPR) ``` 横轴代表伪正类率(FPR)，纵轴代表真正类率(TPR)。AUC（Area Under Curve）则指ROC曲线下方的面积，范围从0到1，数值越大表示模型区分能力越强。 --- ### 关系总结 - **准确率**适用于数据分布较为均衡的情况下； - **精确率**更注重减少错误标记为正类的情况； - **召回率**强调找到更多的正类实例； - **F1值**则是两者的权衡，尤其适合处理类别不平衡的数据集。 这些指标各有侧重，在具体应用中需根据业务需求选择合适的评价方法。 ---
评论 1
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