机器学习之性能度量指标——决定系数R^2、PR曲线、ROC曲线、AUC值、以及准确率、查全率、召回率、f1_score

最新推荐文章于 2025-06-21 18:52:46 发布
原创 最新推荐文章于 2025-06-21 18:52:46 发布 · 2.8w 阅读 · 112 ·
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 #决定系数 #混淆矩阵 #ROC曲线 #PB曲线

本文介绍了机器学习中用于度量模型性能的指标，包括线性回归的决定系数R^2、分类问题的混淆矩阵、PR曲线、ROC曲线和AUC值，以及准确率、查全率、召回率和f1_score。R^2越大表示模型拟合度越高；分类问题中，ROC曲线和AUC值能有效评估分类器性能，尤其在样本不平衡时，AUC不受样本分布影响。

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

一、线性回归的决定系数R^{2}（也称为判定系数，拟合优度）

相关系数是R哈~~~就是决定系数的开方！

正如题所说决定系数R^{2}是来衡量回归的好坏，换句话说就是回归拟合的曲线它的拟合优度！也就是得分啦~~

决定系数它是表征回归方程在多大程度上解释了因变量的变化，或者说方程对观测值的拟合程度如何。

计算公式为：

决定系数越大表拟合优度越好！

Python中可直接调用score()方法来计算决定系数R^{2}值。

score(self, x_test, y_test, sample_weight=None)

二、分类问题中的评判标准

以二分类问题为例进行说明。分类结果的混淆矩阵如下图所示。

最低0.47元/天 解锁文章

200万优质内容无限畅学
机器学习理论之mAP 查全率 查准率 IoU ROC PR曲线 F1值
学习中
10-31 523
机器学习理论之mAP 查全率 查准率 IoU ROC PR曲线 F1值
深度学习分类任务中的准确率、精确率（查准率）、召回率（查全率）、F1值、ROC曲线的AUC值，
chumingqian的博客
01-05 6158
其中关于 TP, TN;FP, FN 的解释；其中;注意，此时这里的正样本代表的 是 预测属于某一类别的样本；负样本则代表预测不属于某一类别的样本。举例说来部分仓库， 与此不一致，列代表真实值，行代表预测值，需要阅读代码的时候，通过查看文档确定；
机器学习-模型决定系数
jiangjiane
01-19 5605
决定系数决定系数反应了y的波动有多少百分比能被x的波动所描述，即表征依变数Y的变异中有多少百分比,可由控制的自变数X来解释.表达式：R2=SSR/SST=1-SSE/SST其中：SST=SSR+SSE，SST(total sum of squares)为总平方和，SSR(regression sum of squares)为回归平方和，SSE(error sum of squares) 为残差平方
【机器学习】决定系数（R²：Coefficient of Determination）
IT古董
11-08 1万+
决定系数，也称为 R平方，是一种用于衡量回归模型预测效果的统计指标。它表示了模型解释目标变量总变异的程度，数值介于 0 和 1 之间，数值越接近 1 表明模型的解释力越强。
模型性能评估指标之回归：MAE、MSE、RMSE、MAPE、R2
最新发布
weixin_43908136的博客
06-21 905
模型性能评估指标之回归：MAE、MSE、RMSE、MAPE、R2
机器学习 决定系数R^2
qq_33489955的博客
06-07 806
目录相关资料汇总 相关资料汇总 概念及公式 补充说明 相关系数r 与 决定系数R^2
【小白学机器学习7】相关系数R，决定系数R2和SST=SSR+SSE, 离差，偏差，方差，标准差，变异系数，标准误。
奔跑的犀牛先生
03-06 5202
简单相关系数：又叫相关系数或线性相关系数一般用字母r表示，用来度量两个变量间的线性关系。相关度：相关度又叫 皮尔逊相关系数 (Pearson Correlation Coefficient)，衡量两个值线性相关强度的量取值范围 [-1, 1]: 正向相关: >0, 负向相关：
机器学习（一）：线性回归算法的评测方式、R^2
weixin_45474785的博客
04-21 1421
Task01：线性回归 模型建立：线性回归原理、线性回归模型 学习策略：线性回归损失函数、代价函数、目标函数 算法求解：梯度下降法、牛顿法、拟牛顿法等 线性回归的评估指标 sklearn参数详解 练习部分 基于线性回归的房价预测问题 利用sklearn解决回归问题 sklearn.linear_model.LinearRegression ps:很多东西还没有时间学到。只把自己理解的东西写...
机器学习指标：准确率、精准率、召回率、F1、ROC曲线、AUC曲线
大鹏的专栏
10-19 1482
还是拿之前的例子，总样本中，90% 是正样本，10% 是负样本。这里，TPR 只关注 90% 正样本中有多少是被真正覆盖的，而与那 10% 毫无关系，同理，FPR 只关注 10% 负样本中有多少是被错误覆盖的，也与那 90% 毫无关系，所以可以看出：如果我们从实际表现的各个结果角度出发，就可以避免样本不平衡的问题了，这也是为什么选用 TPR 和 FPR 作为 ROC/AUC 的指标的原因。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。这样不利于模型的学习。
机器学习中的性能指标：精度、召回率，PR曲线，ROC曲线和AUC，及示例代码
weixin_44336181的博客
04-03 3682
机器学习中的性能指标：精度、召回率、PR曲线，ROC曲线和AUC精度、召回率基本概念F-Score度量曲线PR曲线使用[scikit-learn官方代码](https://scikit-learn.org/stable/auto_examples/model_selection/plot_precision_recall.html#sphx-glr-auto-examples-model-selection-plot-precision-recall-py)示例：ROC曲线PR曲线和ROC曲线的比较AUC
决定系数R^2
Frank Kong的博客
09-19 7129
在对数据进行线性回归计算之后,我们能够得出相应函数的系数, 那么我们如何知道得出的这个系数对方程结果的影响有强呢? 所以我们用到了一种方法叫 coefficient of determination (决定系数) 来判断 回归方程 拟合的程度. 0. 平均数 1. THE TOTAL SUM OF SQUARES（总平方和） yiyi表示真实数据，y¯y¯表示平均值 2. THE REGREE...
R2指标的性能
06-28
智能优化方面的论文，讲诉R2指标的内容，类似于最优方法
机器学习的评价指标决定系数的理解
learn_python_的博客
08-15 7725
关于决定系数的定义和奇异值的出现，在本文中均给出相关理解和分析
统计-R(相关系数)与R^2(决定系数)
lihe的博客
03-18 6000
（4）相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强；（3）当X的值增大（减小），Y值减小（增大），两个变量为负相关，相关系数在-1.00与0.00之间。（2）当X的值增大（减小），Y值增大（减小），两个变量为正相关，相关系数在0.00与1.00之间。SSE (error sum of squares) ：残差平方和。定义：考察两个事物（在数据里我们称之为变量）之间的相关程度。公式：R2=SSR/SST=1-SSE/SST。（1）当相关系数为0时，X和Y两变量无关系。
sklearn【R²】决定系数，原理及代码学习！
高级数据分析师，分享Python知识
04-22 6443
决定系数（Coefficient of Determination），又称R方，是衡量回归模型拟合优度的统计量，用来反映回归模型对样本数据的拟合程度。收集数据：首先需要收集自变量和因变量的观测数据，确保数据的准确性和完整性。建立回归方程：根据收集到的数据，建立回归方程。回归方程的形式可以根据实际情况进行选择，常见的有线性回归、多项式回归等。计算预测值：利用建立的回归方程，计算因变量的预测值。预测值可以通过代入自变量的观测值来计算。计算残差：计算每个观测值的残差，即观测值与预测值之间的差异。
【漫话机器学习系列】133.决定系数（R²：Coefficient of Determination）
IT古董
03-12 1994
决定系数（）是回归分析中用于评估模型拟合优度的一个重要统计指标。它表示自变量（特征变量）能够解释因变量（目标变量）变异的程度，取值范围为 [0,1] 或 (−∞,1]（取决于模型情况）。在本篇文章中，我们将详细解析 的数学公式、直观理解、计算方法及其在回归分析中的应用。
一文搞懂R(相关系数)与R^2(决定系数)
热门推荐
qq_36608036的博客
04-11 6万+
R与R^2没有关系，就如同标准差与标准误差没有关系一样。 相关系数（R） 定义：变量之间线性相关的度量。分三种， pearson（有秩）,spearman（无秩）, kendall。 公式： 公式解释：自变量X和因变量Y的协方差/标准差的乘积。 协方差：两个变量变化是同方向的还是异方向的。X高Y也高，协方差就是正，相反，则是负。 为什么要除标准差：标准化。即消除了X和Y自身变化的影响，只讨论两者之间关系。 因此，相关系数是一种特殊的协方差。 决定系数（R^2） 定义：对模型进行线性回归后，评价
机器学习（十一）：回归中的相关度和决定系数
qq_45802081的博客
11-06 2968
相关系数：考察两个事物（在数据里我们称之为变量）之间的相关程度。 如果有两个变量：X、Y，最终计算出的相关系数的含义可以有如下理解： (1)、当相关系数为0时，X和Y两变量无关系。 (2)、当X的值增大（减小），Y值增大（减小），两个变量为正相关，相关系数在0.00与1.00之间。 (3)、当X的值增大（减小），Y值减小（增大），两个变量为负相关，相关系数在-1.00与0.00之间。 相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。 1、皮尔逊相关系数
R²决定系数
chen的博客
10-07 4370
（决定系数）是一个用于衡量统计模型拟合数据的指标，通常用于线性回归分析。它表示模型所解释的因变量（目标变量）方差的比例，范围从0到1。假设你是一名销售经理，想要建立一个线性回归模型，来预测每月销售额与广告投入的关系。值，表明你的模型相对准确地拟合了数据，广告投入对销售额有较强的解释能力。接近1时，模型能够很好地拟合数据，因为它能够解释大部分因变量的变化。这意味着你的模型能够解释销售额变化的大约81%。接近0时，模型无法很好地拟合数据，因为它不能解释因变量的变化。告诉我们模型能够解释因变量变化的百分比。
Python代码实现机器学习计算模型预测结果的准确率，错误率，查准率，查全率，F1，ROC和AUC曲线
03-10
在Python中，可以使用各种机器学习库和框架来实现模型预测结果的评估指标。以下是一些常用的指标和相应的代码实现示例： 1. 准确率（Accuracy）：预测正确的样本数占总样本数的比例。 ```python from sklearn....
评论 3
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