准确率accuracy/精确率precision/召回率recall的区别

最新推荐文章于 2025-05-15 23:42:38 发布
原创 最新推荐文章于 2025-05-15 23:42:38 发布 · 1.6k 阅读 · 0 ·
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：

#准确率 #精确率 #召回率

本文详细解释了准确率、精确率和召回率的概念，分别从预测结果和原始样本的角度阐述了它们的计算方式，并通过实例展示了它们的计算过程。在信息检索和商品推荐系统等场景中，精确率和召回率的重要性各有侧重。

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

实际上非常简单，精确率P（又称查准率）是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是：
在这里插入图片描述
而召回率R（又称查全率）是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。
在这里插入图片描述

其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。
在这里插入图片描述

在信息检索领域，精确率和召回率又被称为查准率和查全率，

查准率＝检索出的相关信息量 / 检索出的信息总量
查全率＝检索出的相关信息量 / 系统中的相关信息总量
下面举几个例子：

例子1：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

准确率(accuracy)

最低0.47元/天 解锁文章

200万优质内容无限畅学
如何区分精确率(precision)、准确率(accuracy)和召回率（recall）
08-08 2万+
理解精确率(precision)、准确率(accuracy)和召回率（recall） 正样本 负样本 预测正例 TP FP 预测反例 FN TN TN，预测是负样本，预测对了 FP，预测是正样本，预测...
深度学习模型常见评价指标准确率Accuracy、精确率Precision、召回率Recall、 F1分数F1 score分辨
vor234的博客
09-10 1349
在机器学习和数据科学领域，评估模型性能是至关重要的一步。准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1 Score）是常用的性能评估指标。尽管它们经常被提及，但它们各自的含义和适用场景可能并不总是清晰的。本文将对这些指标进行详细解释，并说明它们之间的区别。
准确率(Accuracy)、精确率(Precision)和召回率(Recall)的区别
weixin_34163553的博客
08-02 619
2019独角兽企业重金招聘Python工程师标准>>> ...
如何快速区分confusion matrix的 precision 和 accuracy 和 Recall
最新发布
m0_74331272的博客
05-15 702
要快速区分混淆矩阵中的 ​​ 和 ​。
机器学习分类问题指标理解——准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积
Michael的博客
03-18 1万+
简单理解分类问题的7项模型评估指标：准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积
accuracy precision recall
Innovat1on的博客
02-26 341
注意，这三个量都是模型的评判指标，是在test data检测进行 accuracy:就是在test data进行模型测试，预测对的样本数/总样本数 precision: 可见在precision中分母是所有预测值为positive的样本 recall： 在recall中分母是实际值为positive的样本 ...
评价指标_Precision（精确率）、Recall（召回率）和Accuracy（准确率）区别和联系
惊鸿一博
03-31 2208
在实际应用中，需要根据具体的任务需求来选择使用哪种评价指标。如果任务更注重在预测为正例的样本中保持高的准确性，那么应该关注精确率；如果任务更注重找出所有真正为正例的样本，那么应该关注召回率；如果任务要求整体的预测准确性，那么应该关注准确率。Precision（精确率）、Recall（召回率）和Accuracy（准确率）是机器学习和信息检索领域常用的评价指标，它们用于评估分类器或检索系统的性能，但各自关注的方面略有不同。
精确率（Precision）和召回率（Recall）和准确率（accuracy）的区别
weixin_56533314的博客
09-27 2541
精确率关注的是模型预测为正类时有多准确，适合误报代价高的场景。召回率关注的是模型能够识别出多少正类样本，适合漏报代价高的场景。准确率关注的是模型整体的预测正确性，但在类别不均衡时可能误导决策。三者的选择取决于具体应用场景中的任务需求和代价。
白话理解: 准确率(Accuracy), 精确率(Precision), 召回率(Recall)
flyfoxs
07-27 2405
本文重点是在白话,不是数学上面的严格定义. 那首先要有一个业务场景,就好比上学,学习数据库,就要用到学生成绩. 在这,我们的业务场景就是对100个西瓜进行分类(已知生熟各半)   下面是针对上面场景,对各个术语的解释 准确率(Accuracy): 对所有西瓜分类正确的比率. 精确率(Precision): 挑出来的熟西瓜,有多少是正确的. 召回率(Recall) : 50个熟西瓜,有...
准确率accuracy、精确率precision、召回率recall、f1_score
happy_wealthy的博客
05-18 1114
准确率(accuracy):对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。 由准确率，我们的确可以在一些场合，从某种意义上得到一个分类器是否有效，但它并不总是能有效的评价一个分类器的工作。举个例子,google抓取 了argcv 100个页面，而它索引中共有10,000,000个页面,随机抽一个页面，分类下,这是不是argcv的页面呢?如果以accuracy来判断我的工 作，那我会把所有的页面都判断为"不是argcv的页面",因为我这样效率非常高(return false,一句话),而accu
精确率 召回率 准确率
zr7116的博客
02-27 1642
作者：Charles Xiao 链接：https://www.zhihu.com/question/19645541/answer/91694636 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。精确率(precision)和准确率(accuracy)是不一样的，主要精确率与召回率之间的差别 一.定义辨析 刚开始接触这两个概念的时候总搞混，时间一长就记不清了。 ...
机器学习中的accuracy、precision与recall
weixin_47692652的博客
03-04 1136
机器学习中的accuracy、precision与recall
precision和accuracy的区别？》
weixin_44943389的博客
05-09 2017
Precision更注重模型预测的正类别结果中真正为正类别的比例，而Accuracy则更注重所有样本的预测准确性。通常情况下，Precision和Accuracy都是需要综合考虑的指标，不能单独使用其中一个来评估模型的性能。Precision越高，模型预测的正类别结果中真正为正类别的比例就越高，模型的误判率就越低。其中，TN（True Negative）表示真反例的数量，FN（False Negative）表示假反例的数量。Precision是指在所有预测为正类别的样本中，有多少个样本确实是正类别。
Accuracy和Precision的区别
qq_39779233的博客
04-13 2822
写在前面 本文转载自 Accuracy和Precision的区别 https://blog.youkuaiyun.com/chl033/article/details/4851401 正文 相信大家在阅读数据手册的时候都看到Accuracy和Precision这两个词，你能否准确的区别它们，这样能够让你更好的理解数据手册的定义。 Accuracy：Accuracy is how close a measured value is to the actual (true) value. Precision：Precis
准确率(Precision)和正确率(Accuracy)的区别
热门推荐
weixin_48185819的博客
08-24 1万+
评价指标 　　1）正确率（accuracy） 　　正确率是我们最常见的评价指标，accuracy = （TP+TN）/(P+N)，这个很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好； 　　2）错误率（error rate) 　　错误率则与正确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(P+N)，对某一个实例来说，分对与分错是互斥事件，所以accuracy =1 - error rate； 　　3）灵敏度（sensitive） 　.
skmetrics输出acc、precision、recall、f1值相同的问题
fujikoo的博客
08-26 7377
一个很神奇的现象 我给一个多分类任务做分类的评估，反正指标说来说去就那几个嘛 acc = skmetrics.accuracy_score(y_true, y_pred) b_acc = skmetrics.balanced_accuracy_score(y_true, y_pred) k = skmetrics.cohen_kappa_score(y_true, y_pred) precision = skmetrics.precision_score(y_true, y_pred, averag
精确率(precision)和召回率(recall)区别
feynman233的博客
08-17 463
分享几个介绍这方面的链接，有的解释得不错。http://charleshm.github.io/2016/03/Model-Performance/http://bookshadow.com/weblog/2014/06/10/precision-recall-f-measure/https://www.zhihu.com/question/19645541http://blog.sina.com.
分类指标准确率(Precision)和正确率(Accuracy)的区别
m0_64748541的博客
12-11 3569
转自：http://www.cnblogs.com/fengfenggirl/p/classification_evaluate.html 一、引言 　　分类算法有很多，不同分类算法又用很多不同的变种。不同的分类算法有不同的特定，在不同的数据集上表现的效果也不同，我们需要根据特定的任务进行算法的选择，如何选择分类，如何评价一个分类算法的好坏，前面关于决策树的介绍，我们主要用的正确率（accuracy）来评价分类算法。 　　正确率确实是一个很好很直观的评价指标，但是有时候正确率高并不能代表一个算法就好。
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
06-10
在分类问题中，准确率、精确率、召回率和F1-Measure都是非常重要的评价指标，可以用来评估模型的性能。其中，准确率适用于样本类别分布均衡的情况，而精确率和召回率则适用于样本类别不平衡的情况。F1-Measure是一个...
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