精确率、准确率、召回率与F1-Score

最新推荐文章于 2025-02-13 08:00:00 发布
最新推荐文章于 2025-02-13 08:00:00 发布
阅读量562 收藏 1
点赞数
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/weixin_43117447/article/details/102305189
版权
本文详细解析了机器学习中常见的评估指标，包括精确率、召回率、准确率和F1-Score的概念及其计算方式，帮助读者深入理解这些指标在算法评估中的作用。

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

TP: Ture Positive 把正的判断为正的数目 True Positive,判断正确，且判为了正，即正的预测为正的。
FN: False Negative 把正的错判为负的数目 False Negative,判断错误，且判为了负，即把正的判为了负的
FP: False Positive 把负的错判为正的数目 False Positive, 判断错误，且判为了正，即把负的判为了正的
TN: True Negative 把负的判为负的数目 True Negative,判断正确，且判为了负，即把负的判为了负的

  1. 精确率(Precision)
    精确率是相对于预测结果而言的，它表示的是预测为正的样本中有多少是对的；那么预测为正的样本就有两种可能来源，一种是把正的预测为正的，这类有TruePositive个, 另外一种是把负的错判为正的，这类有FalsePositive个，因此精确率即：P=TP/(TP+FP)

  2. 准确率 (Accuracy)
    准确率是指有在所有的判断中有多少判断正确的，即把正的判断为正的，还有把负的判断为负的；总共有 TP + FN + FP + TN 个，所以准确率：(TP+TN) / (TP+TN+FN+FP)

  3. 召回率 (Recall)
    召回率是相对于样本而言的，即样本中有多少正样本被预测正确了，这样的有TP个，所有的正样本有两个去向，一个是被判为正的，另一个是错判为负的，因此总共有TP+FN个，所以，召回率 R= TP / (TP+FN)

召回率和精确率可以单独作为系统的评估指标。但很多应用里，我们可能没有一个明确的明显性，就希望得到两者之间的一个合理的平衡点。
那这时候，用两个指标来描述一个系统性能是不理想的，所以有人就提出了能不能把精确率和召回率合在一起弄成一个单独的指标？这就是F1-Score。
为什么要用f1-score而不是平均值?
在这里插入图片描述

机器学习中的模型评估：精确率-召回率曲线与F1分数
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
03-20 1718
在机器学习项目中，评估模型的性能是确保模型有效性和可靠性的关键步骤。精确率-召回率曲线（Precision-Recall Curve, PR Curve）和F1分数是评估分类模型性能的重要指标，尤其是在处理不平衡数据集时。这些指标可以帮助我们更好地理解模型在不同阈值下的性能，选择最适合任务的模型。本文将从精确率-召回率曲线和F1分数的基本概念出发，通过一个完整的代码示例带你入门，并探讨其应用场景和注意事项。精确率-召回率曲线（PR Curve）是一种性能度量，用于评估二元分类模型的性能。
机器学习 精准率 — 召回率 — 准确率 — F1-Score
zhf的博客
08-17 1214
准确率 、召回率 、精确率 ： 准确率->accuracy, 精确率->precision. 召回率-> recall. 三者很像，但是并不同，简单来说三者的目的对象并不相同。 大多时候我们需要将三者放到特定的任务环境中才会更加明显的感觉到三者的差异。 在介绍这些之前，我们先回顾一下我们的混淆矩阵。 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
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 2795
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:.
准确率、精确率、召回率、F1-score
发呆的比目鱼的博客
06-12 970
准确率、精确率、召回率、F1-score 混淆矩阵 混淆矩阵中的 P 表示 Positive，即正例或者阳性，N 表示 Negative，即负例或者阴性。 TP：预测为1，实际为1，预测正确。 FP：预测为1，实际为0，预测错误。 FN：预测为0，实际为1，预测错误。 TN：预测为0，实际为0，预测正确。 TP+FP：表示所有预测为正的样本数量 TN+FN：表示所有预测为负的样本数量 TP+FN：表示实际为正的样本数量 TN+FP：表示实际为负的样本数量 准确率（accuracy） 所有的预测正确（正
准确率 召回率_瞎聊机器学习——准确率、精确率、召回率、F1 score
weixin_39762348的博客
12-19 378
针对分类、回归、排序等问题的模型评估，不同的问题有不同的评估方法，今天重点来说一下关于分类问题的准确率（Accuracy）、精确率（precision）、召回率（Recall）、F1 score。准确率（Accuracy）准确率指的是分类正确的样本占总样本个数的比例精确率（precision）精确率是指分类正确的正样本个数占分类器判定为正样本的个数的比例。召回率（Recall）召回率是指分类正确的...
准确率、精确率、召回率和F-score
Mr番茄蛋的博客
11-27 3096
一、TP、FP、FN和TN 举例来说，用血压值来检测一个人是否有高血压，测出的血压值是连续的实数（从0~200都有可能），以收缩压140／舒张压90为阈值，阈值以上便诊断为有高血压，阈值未满者诊断为无高血压。二元分类模型的个案预测有四种结局： 真阳性（true positive， TP）：诊断为有， 实际上也有高血压； 伪阳性（false positive，FP）：诊断为有，实际却没有高血压； ...
准确率，精确率，召回率和F1值
From Zero to Hero
03-27 2万+
机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。 (注： 相对来说，IR 的 ground truth 很多时候是一个 Ordered List, 而不是一个 Bool 类型的 Unordered Co...
准确率，精确率，召回率以及F1 score详解
sinat_36618660的博客
08-30 4129
(一)、什么是准确率？ 准确率是指分类正确的样本占总样本个数的比例，其定义如下所示： Accuracy=ncorrectntotalAccuracy=\frac{n_{correct}}{n_{total}}Accuracy=ntotal​ncorrect​​其中AccuracyAccuracyAccuracy指的是准确率，ncorrectn_{correct}ncorrect​指的是被分类正确的...
Yolo目标检测中的准确率、精确率、召回率、F1-score 值
最新发布
LYH8543的博客
02-13 889
Yolo目标检测中的准确率、精确率、召回率、F1-score 值
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 5948
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。
准确率，召回率和F1
xueruixuan的专栏
11-30 1028
    真假是表示样本实际类别，而正负表示预测类别 准确率是指真正例占所有正例的比例，即在所有正例中真例有多少。 precison = TP/(TP+FP) 召回率是指真正例占所有真的比例，即有多少真例被预测为正例 recal = TP/(TP+FN) 2/F = 1/precison + 1/recall...
对于TP, TN, FP, FN, Pre, Recall的举例
tangxianyu的博客
01-12 1569
FN为预测为0，但是预测错了，真值为1的值，即图中浅绿色底色的值，共有2个；FN为预测为1，但是预测错了，真值为0的值，即图中浅绿色底色的值，共有4个；FP为预测为1，但是预测错了，真值为0的值，即图中红色底色的值，共有4个；FP为预测为0，但是预测错了，真值为1的值，即图中红色底色的值，共有2个；TP为预测为0，真值也为0的值，即图中深绿色底色的值，共有4个；TP为预测为1，真值也为1的值，即图中深绿色底色的值，共有5个；TN为预测为0，真值也为0的值，即图中橙色底色的值，共有4个；
通俗理解TP、FP、TN、FN
胭脂草的ABC博客
03-06 1953
虽然学了很多遍，但还是经常弄混这几个概念。实在是太绕了，真真假假，假假真真。归根到底，其实是没有正确理解两个标志位的含义。
准确率、精确率、召回率、F1值、ROC/AUC整理笔记
qq_36302589的博客
03-13 4116
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...
机器学习评估分类结果——精准率、召回率、F1Score
m0_58700887的博客
06-30 6340
机器学习评估分类结果——混淆矩阵、精准率、召回率、F1Score
2 逻辑回归
weixin_43918126的博客
01-16 681
逻辑回归 逻辑回归是 深度神经网络的基础；把人很多神经细胞 组件成一个神经网络 这个系统越复杂 它就越深 所以给它取名 深度学习；而逻辑回归就相当于 其中的一个神经细胞 所以我们得开始学它其中的一个神经细胞 再学整个的网络 所以我们是从细节到宏观的这个学习过程 线性回归Regression 它是做预测用的 我们知道x 预测y 最后得到的是1个值 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xUi1Ern4-1610805921673)(C:\Users\24391\AppD
常见的评价指标及其计算方法
weixin_48697962的博客
08-31 7958
常见的评价指标及其计算方法
TP、TN、FP、FN、Recall、Miss Rate、MCC、F1 Score 等指标计算
热门推荐
FelixFuu的博客
01-04 2万+
对一个二分类问题，实际取值只有正、负两例，而实际预测出来的结果也只会有0，1两种取值。如果一个实例是正类，且被预测为正类，就是真正类（True Positive）,如果是负类，被预测为正类，为假正类（False Positive），如果是负类被预测成负类。称为真负类（True Negative），正类被预测为负类称为假负类（False Negative）。如图所示： 从列联表引入两个新名词。其
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