对模型评估中的准确率、精准率和召回率描述与理解

在机器学习、深度学习中，我们在做分类任务时，经常需要对模型结果进行评估。其中用于评估的指标就有准确率、精准率和召回率，这些指标都是通过预测概率来获得的。以下就来介绍这些指标代表什么。我们先来看看下面这张图：

其中，如上图混淆矩阵所示。

TP：样本为正，预测结果为正；
FP：样本为负，预测结果为正；
TN：样本为负，预测结果为负；
FN：样本为正，预测结果为负。

准确率、精准率和召回率的计算公式如下：

准确率（accuracy）： (TP + TN )/( TP + FP + TN + FN)。准确率就是准确程度，通过正确数/总数得到。

精准率（precision）：TP / (TP + FP)，正确预测为正占全部预测为正的比例。

召回率（recall）： TP / (TP + FN)，正确预测为正占全部正样本的比例，我们可以理解为找到的数目与总的需要我们找到的数目的比。

我们当然希望精准率和召回率都高，但是在现实当中一般不是这样的，很难将两者变成很高的数值。事实上这两者是相互拉扯的关系，相互制约。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；而如果我们把所有结果都返回，那么比如Recall是100%，但是Precision就会很低。

补充：

上文曾经提到混淆矩阵，那么在文末我们就简单介绍一下什么是混淆矩阵。

混淆矩阵，也叫做误差矩阵。在监督学习中，叫做混淆矩阵；而在无监督学习中叫做匹配矩阵。在评估模型的性能当中，一般会分为四个部分，如上文所示：TP，FP，TN，FN，用这些来表示模型。但是也有用n行n列的矩阵形式来表示。具体评价指标有总体精度、制图精度、用户精度等，这些精度指标从不同的侧面反映了图像分类的精度。

import numpy as np
import pandas as pd
import matplotlib.pyplot as pltnp.random.seed(37)y_true = [1, 0, 0, 2, 1, 0, 3, 3, 3]
y_pred = [1, 1, 0, 2, 1 ,0, 1, 3, 3]from sklearn.metrics import confusion_matrix
confusion_mat = confusion_matrix(y_true, y_pred)
print(confusion_mat)def plot_confusion_matrix(confusion_mat):plt.imshow(confusion_mat, interpolation='nearest', cmap = plt.cm.gray)plt.title('confusion matrix')plt.colorbar()tick_marks = np.arange(confusion_mat.shape[0])plt.xticks(tick_marks, tick_marks)plt.yticks(tick_marks, tick_marks)plt.ylabel('true')plt.xlabel('predict')plt.show()plot_confusion_matrix(confusion_mat)

在sklearn库中也有方法可以直接使用来获取召回率，精确率。在上述的程序基础上加入，以下代码段，就可以很直观地得出精确率，召回率等数值了。

from sklearn.metrics import classification_report
target_names = ['0', '1', '2', '3']
print(classification_report(y_true, y_pred, target_names=target_names))

以上内容如有错误，欢迎指出。谢谢！

对模型评估中的准确率、精准率和召回率描述与理解相关推荐

一文看懂分类模型的评估指标：准确率、精准率、召回率、F1等
2019-11-21 21:59:23 机器学习模型需要有量化的评估指标来评估哪些模型的效果更好. 本文将用通俗易懂的方式讲解分类问题的混淆矩阵和各种评估指标的计算公式.将要给大家介绍的评估指标有:准 ...
机器学习分类问题指标评估内容详解（准确率、精准率、召回率、F1、ROC、AUC等）
文章目录前言一.混淆矩阵(confusion matrix) 二.准确率,精准率,召回率,F1分数 1. 准确率(Accuracy) 2. 精确率(Precision) 3. 召回率(Recall ...
python分类预测降低准确率_【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率，F1值...
[火炉炼AI]机器学习011-分类模型的评估:准确率,精确率,召回率,F1值 (本文所使用的Python库和版本号: Python 3.5, Numpy 1.14, scikit-learn 0.19 ...
机器学习分类模型中的评价指标介绍：准确率、精确率、召回率、ROC曲线
文章来源:https://blog.csdn.net/wf592523813/article/details/95202448 1 二分类评价指标准确率,精确率,召回率,F1-Score, AUC, ...
模型评估指标_精准率、召回率、F1-score、ROC曲线、AUC曲线
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( ...
机器学习中精准度、召回率、准确率、F1 Score、G分数计算学习笔记
目录 1.基本符号表示 2.类别下的精准度计算(precision) 3.类别下的召回率计算(recall) 4.准确率的计算(accuracy) 5.F1 Score 6.G分数 1.基本符号表示 ...
精确率(精准度)，召回率，准确率：机器学习中关于样本和预测的几个概念
先看一个简单的应用场景: 查询的图片编号为 :c1,c2,c3,c9,c0 样本库中的编号为:s1,s2,s3,s4,s5,s6,s7,s8, 实际情况对应为: c1–s1 , c2–s2 , c3– ...
百面机器学习 #2 模型评估：0102 精确率与召回率，假阳性与真阳性率，PR曲线和ROC曲线
文章目录 1. P-R(Precision-Recall)曲线 F1 score 2. 平方根误差的局限性 3. ROC曲线 ROC曲线绘制 4. AUC predict Positive predi ...
准确率，精准率，召回率，真正率，假正率，ROC/AUC
最近在看到这些词得时候老是混淆,看了之后还很容易遗忘,于是查了些资料把他们记录下来. 我们在设计深度学习网络模型的时候经常要对其进行评估,评估就要用到这些东西,在接介绍这个率,那个率之前,我先来介 ...
auc计算公式_图解机器学习的准确率、精准率、召回率、F1、ROC曲线、AUC曲线
机器学习模型需要有量化的评估指标来评估哪些模型的效果更好. 本文将用通俗易懂的方式讲解分类问题的混淆矩阵和各种评估指标的计算公式.将要给大家介绍的评估指标有:准确率.精准率.召回率.F1.ROC曲线. ...

对模型评估中的准确率、精准率和召回率描述与理解

补充：

对模型评估中的准确率、精准率和召回率描述与理解相关推荐

最新文章

热门文章