准确率、精准率、召回率和F1值详解

最新推荐文章于 2025-05-02 15:12:17 发布
最新推荐文章于 2025-05-02 15:12:17 发布
阅读量1.9w 收藏 96
点赞数 13
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/wujunlei1595848/article/details/90739786
版权
博客介绍了Precise、Recall、F1 measure和Accuracy四个指标。Precise和Recall用于评价信息检索和统计学分类结果质量，F1 measure综合二者反映整体指标，它们都通过混淆矩阵计算。Accuracy表示预测符合标签的样本与总样本的比例。

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

专业术语的中英文对照表
 英文名
准确率Accuracy
精准率Precise
召回率Recall
F1值F1 measure

Precise和Recall是广泛应用在信息检索和统计学分类领域的两个度量值，用来评价结果的质量；F1 measure是综合Precise和Recall两个指标的评估指标，用于综合反映整体的指标。Precise、Recall和F1 measure都是通过混淆矩阵计算出来的，下表是对混淆矩阵的介绍：

混淆矩阵
 预测的类别 
实际的类别 PositiveNegative合计
PositiveTPFN正样本
NegativeFPTN负样本
 合计样本被预测为Positive样本被预测为NegativePositive+Negative

 其中：

TP表示正确地把正样本预测为正；

FN表示错误地把正样本预测为负；

FP表示错误地把负样本预测为正；

TN表示正确地把负样本预测为负；

目录

Precise

Recall

F1 measure

Accuracy

Precise

表示正确预测正样本占实际预测为正样本的比例

Precise = \frac{TP}{TP+FP}

Recall

表示正确预测正样本占正样本的比例

Recall = \frac{TP}{TP+FN}

F1 measure

F1 = \frac{2}{\frac{1}{Precise}+\frac{1}{Recall}} = 2 \cdot \frac{Precise \cdot Recall}{Precise + Recall}

Accuracy

表示预测符合标签的样本与总样本的比例

Accuracy = \frac{TP + TN}{TP + TN + FP + FN}

 

【人工智能机器学习基础篇】——深入详解监督学习之模型评估：掌握评估指标（准确率、精确率、召回率、F1分数等）和交叉验证技术
编程技术探索者，分享C/C++、C#、Java、数据库等开发经验，聚焦实战技巧与AI兴趣，助力编程爱好者成长。
12-30 1579
【人工智能机器学习基础篇】——深入详解监督学习之模型评估：掌握评估指标（准确率、精确率、召回率、F1分数等）和交叉验证技术
准确率、召回率、F1值的思考
杨鑫newlife的专栏
07-19 4718
简述概念 准确率（Accuracy） 准确率（ACC）, 所有预测正确的占总样本的比重。 精确率/查准率（Precision） 精确率（P）：精确率/查准率，表示正确预测为正的占全部预测为正的比例。对某一类别而言为正确预测为该类别的样本数与预测为该类别的总样本数之比。 召回率（Recall） 召回率/查全率，表示正确预测为正的占全部实际为正的比例。对某一类别而言为正确预测为该类别的样本数与该类别的总样本数之比。 F1值 F1值：F1值为精确率和召回率的调和平均数，值越大越好。
深度学习中的评价指标
妖怪书生的博客
01-05 2245
评价指标是评价深度学习中模型的好坏。
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...
准确率、精确率与召回率
最新发布
qq_43980144的博客
05-02 637
准确率、精确率与召回率
机器学习评估分类结果——精准率、召回率、F1Score
m0_58700887的博客
06-30 6362
机器学习评估分类结果——混淆矩阵、精准率、召回率、F1Score
准确率、精确率、召回率、F1值
D2460596421的博客
03-22 1572
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。
多分类评价指标：准确率、精确率、召回率、F1值
热门推荐
m0_64748541的博客
04-22 3万+
准确率、精确率、召回率、F1值 定义： 准确率（Accuracy）：正确分类的样本个数占总样本个数， A = (TP + TN) / N 精确率（Precision）(查准率)：预测正确的正例数据占预测为正例数据的比例， P = TP / (TP + FP) 召回率（Recall）(查全率)：预测为正确的正例数据占实际为正例数据的比例， R = TP / (TP + FN) F1 值（F1 score）： 调和平均值， F = 2 / (1/P + 1/R) = 2 * P...
准确率(precision)、召回率(recall)与F1
Answer3664的博客
08-06 3747
在分类任务中，两种最常用的性能度量是错误率和精度。错误率是分类错误的样本数占样本总数的比例；精度则是分类正确的样本数占样本总数的比例。错误率和精度虽然常用，但并不能满足所有任务需求。 例如在信息检索和Web搜索中，经常关心的问题是“检索出来的信息有多少比例是用户感兴趣的”、“用户感兴趣的信息有多少被检索出来了”。准确率和召回率就是用来描述此类问题的性能度量。在有些...
详解准确率、精确率、召回率、F1值等评价指标的含义
谓之小一
01-31 3万+
机器学习问题之中，通常需要建立模型来解决具体问题，但对于模型的好坏，也就是模型的泛化能力，如何进行评估呢？ 很简单，我们可以定一些评价指标，来度量模型的优劣。比如准确率、精确率、召回率、F1值、ROC、AUC等指标，但是你清楚这些指标的具体含义吗？下面我们一起来看看吧。 1.混淆矩阵 介绍各个指标之前，我们先来了解一下混淆矩阵。假如现在有一个二分类问题，那么预测结果和实际结果两两结合会出现如下四种...
准确率，精确率，召回率以及F1 score详解
sinat_36618660的博客
08-30 4147
(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...
MindSpore分类指标之精准率、召回率和F值详解（二）
xi_xiyu的博客
01-25 770
一、精准率和召回率 在上次的分享中，我们提到了评测分类模型的意义和准确率、AUC/ROC两种评测方法。朋友们可能就会思考分类的任务多种多样，评测模型的性能只有这两种方法吗？当然还有。这次我们就一起来认识一下精准率(Precision)、召回率(Recall)，以及这两个结合组成的F值。 我们还是通过混淆矩阵来表示： 图1-混淆矩阵 精准率 我们从表达式开始： 图2-精准率表达式 结合混淆矩阵和表达式来理解，首先从分母开始(TP+FP)，在分类任务中的意义是预测为正类的样本数量，分子的.
【数学建模】分类问题的几种常见指标（一）——准确率、召回率、F1值
一只数模菜鸡的博客
04-30 5664
介绍了错误率、精度、准确率、召回率、F1值几种评价指标的概念以及Python代码实现
评估指标：精确率（Precision）、召回率（Recall）、F1分数（F1 Score）
FriendshipTang的博客
07-11 3336
人工智能、评估指标、精确率（Precision）、召回率（Recall）、F1分数（F1 Score）
准确率、精确率、召回率、F1-score
ywfwyht的博客
02-22 2万+
追求召回率高，则通常会影响精确率。F1值为算数平均数除以几何平均数，且越大越好，将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。直白的意思就是模型预测为正例的样本中，其中真正的正例占预测为正例样本的比例，用此标准来评估预测正例的准确度。以实际样本为判断依据，实际为正例的样本中，被预测正确的正例占总实际正例样本的比例。
评估指标：精确率，召回率，F1_score，ROC，AUC
Western_europe
07-01 2121
分类算法评估标准详解 分类准确度并不能够评估所有的场景，展示的结果也比较片面，这时候就需要其他的评估方法来进行测量评估。 所以接下来介绍一些其他的评估标准，将从以下5个方面来介绍： 混淆矩阵 精准率和召回率 F1 Score ROC曲线 AUC 一、混淆矩阵（Confusion Matrix） 对于二分类问题，所有的问题分为0和1两类，混淆矩阵是2*2的矩阵： TP：真实值是1，预测值是1，即我们预测是positive，预测正确了。 FN：真实值是1，预测值是0，即我们预测是negative，但预测错误了
F1值
wj1298250240的博客
01-08 7399
为了能够评价不同算法的优劣，在Precision和Recall的基础上提出了F1值的概念，来对Precision和Recall进行整体评价。F1的定义如下： F1值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) 参考： https://www.jiqizhixin.com/graph/technologies/82aeeeba-b738-4a05-b9c2-7ec567c401fe ...
准确率、召回率、F1值的区别
weixin_39472683的博客
10-02 892
比如极端情况下，我们只搜索出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；如果是做实验研究，可以绘制。为了能够评价不同算法的优劣，在Precision和Recall的基础上提出了F1值的概念，来对Precision和Recall进行整体评价。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的。召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的。Precision = 提取出的正确信息条数 / 提取出的信息条数。
机器学习入门之分类、决策树、随机森林、KNN、SVM、分类、AUC、准确率、平均准确率、召回率、F1.
02-23
### 机器学习入门概述 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。通过构建模型来解析数据，从中自动地学习规律并利用这些规律对未知数据进行预测。 ### 分类算法介绍 #### 决策树 决策树是一种基本的分类与回归方法。该算法的主要优点在于易于理解和解释，可以可视化展示决策路径。其工作原理是从根节点开始，测试样本的某个属性，根据测试结果将样本分配到不同的子节点，直到到达叶节点为止，在此过程中形成一系列判断条件[^1]。 ```python from sklearn.tree import DecisionTreeClassifier clf = DecisionTreeClassifier() clf.fit(X_train, y_train) predictions = clf.predict(X_test) ``` #### 随机森林 随机森林属于集成学习的一种实现方式，由多个决策树组成。每棵决策树都独立生长于不同训练集上，并且在分裂结点时只考虑部分特征。最终输出结果采用多数投票法决定类别标签。这种机制不仅提升了泛化能力还降低了过拟合风险。随机森林几乎不需要输入预处理即可直接应用于多种类型的数据集，同时具备快速训练速度和良好的特征选择特性。 ```python from sklearn.ensemble import RandomForestClassifier rf_clf = RandomForestClassifier(n_estimators=100) rf_clf.fit(X_train, y_train) rf_predictions = rf_clf.predict(X_test) ``` #### K近邻 (KNN) K近邻(K-Nearest Neighbors) 是一种简单直观的监督式学习算法。对于给定的新实例，它会在已知样本集中找到距离最近的k个邻居，并依据这k个邻居所属类别来进行判定。尽管容易理解实施，但在高维空间下效率较低，因此实际应用前通常需要降维处理。 ```python from sklearn.neighbors import KNeighborsClassifier knn_clf = KNeighborsClassifier(n_neighbors=5) knn_clf.fit(X_train, y_train) knn_predictions = knn_clf.predict(X_test) ``` #### 支持向量机(SVM) 支持向量机旨在寻找能够最大化两类之间间隔的最大边界超平面作为划分标准。当面对线性不可分情况时，则借助核函数映射至更高维度的空间内寻求解决方案。SVM擅长解决小规模样本下的模式识别问题，具有较强的鲁棒性和较高的精度。 ```python from sklearn.svm import SVC svm_clf = SVC(kernel='linear') svm_clf.fit(X_train, y_train) svm_predictions = svm_clf.predict(X_test) ``` ### 性能评估指标详解 #### 准确率(Accuracy) 准确率为正确预测的比例，即真正例(TP)+真反例(TN)/(TP+TN+FP+FN)，适用于正负样本数量相对均衡的情况。 #### 召回率(Recall) 召回率反映了所有真实阳性案例中有多少被成功检测出来，定义为 TP/(TP+FN)[^2]。 #### F1分数(F1-Score) F1-score是基于召回率（Recall）与精确率（Precision）的调和平均数，用于平衡两者之间的关系，尤其适合不平衡数据集中的表现衡量[^2]。 \[ \text{F1}=\frac {2\times (\text{precision}\times\text{recall})}{(\text{precision}+\text{recall})} \] #### AUC值 AUC指ROC曲线下面积，表示的是在整个阈值范围内区分正负的能力大小。理想情况下AUC接近1表明模型拥有较好的判别力；而小于等于0.5则意味着几乎没有区别意义。
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

打赏作者

mannuandeyangguang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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