机器学习系列(二)——评价指标Precision和Recall

Precision 和 Recall 是常考的知识点，就其区别做一个详细总结

1. Precision

中文翻译 “精确率”，“查准率”。 “查准率”这个名字更能反应其特性，就是该指标关注准确性。

计算公式如下：

$Precision = \frac{TP}{TP + FP}$

这里TP，FP的概念来自统计学中的混淆矩阵，TP指 “预测为正（Positive）, 预测正确（True）” (可以这里记忆：第一位表示该预测是否正确，第二位表示该预测结果为正还是负) ，于是，我们可以这样理解 Precision : 所有预测为正例的案例中，预测准确的比例

Precision适用什么样的场景呢？

适用于需要尽可能地把所需的类别检测准确，而不在乎这些类别是否都被检测出来，即 宁可放过一些坏人，也不冤枉一个好人（识别坏人（正例）的准确性很高，但不一定能识别所有坏人）

具体来说，银行人脸识别系统，B来识别，系统能预测为B即可，至于A C来识别是否真的预测为A C不重要.

2.Recall

中文翻译 “查全率” “召回率”，等价于 “灵敏度（Sensitivity）” ， “真正率（TPR）” （真正率就是ROC曲线的纵轴，我们总是期望一个学习器的TPR越高越好，理想情况就是1）

计算公式如下：

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

Recall的解释是：所有预测准确的案例中，正例所占的比例 需

适用的场景是：要尽可能地把所需的类别检测出来，而不在乎结果是否准确 , 也就是宁可错杀一千，也不放过一个

具体来说，地震预测，我们希望把所有的地震都预测到，可以牺牲 Precision（存在误报）

总结一下查全率和查准率的区别：

（1）. Recall 和 Precision是相互矛盾的。如果想要更高的recall，那么就要让模型的预测能覆盖到更多的样本，但是这样模型就更有可能犯错，也就是说precision会比较低。如果模型很保守，只能检测出它很确定的样本，那么其precision会很高，但是recall会相对低。

（2）. Recall（TPR）的分母是样本中正类的个数，因此样本一旦确定，其分母即为定值，也就是说recall的变化随分子增加而单调递增；precision的分母是样本中预测为正类的个数，其会随着分类阈值的变化而变化，因此Precision的变化受TP和FP的综合影响，不单调，变化情况不可预测。

3. 一些相关参数

真阳性率 TPR (见上文)，假阳性率（FPR）, FPR 公式为：

FPR= FP / (FP + TN)

FPR的意义：所有实际为负的例子中，预测错误的比例。 FPR = 1 - Specificity （特异性）

假阴性率：FNR = 1 - Sensitivity (灵敏度，Recall, TPR)

在现实中，人们往往对查全率和查准率都有要求，但是会根据应用场景偏向某一边. 此时需要用到PR曲线。

PR曲线应用场景：需要根据需求找到对应的precision和recall值。如果偏向precison，那就是在保证recall的情况下提升precision；如果偏向recall，那就是在保证precision的情况下提升recall

机器学习系列(二)——评价指标Precision和Recall相关推荐

计算深度学习评价指标Precision、Recall、F1
计算深度学习评价指标Precision.Recall.F1 对深度学习的结果进行评价是深度学习的重要一环,一般常用的评价方法有:准确率(Accuracy),精确率(Precision),召回率(Rec ...
吴恩达机器学习（九）Precision、Recall、F-score、TPR、FPR、TNR、FNR、AUC、Accuracy
目录 0. 前言 1. Precision.Recall.F-score(F-measure) 2. TPR.FPR.TNR.FNR.AUC 3. Accuracy 学习完吴恩达老师机器学习课程的机器 ...
信息检索的评价指标(Precision、Recall、F-score、MAP、ROC、AUC)
from:https://blog.csdn.net/universe_ant/article/details/70090026 一:Precision.Recall.F-score 信息检索.分类. ...
深度学习笔记——秒懂评价指标precision和recall（附例子）
Precision:查准率,识别正确的/所有识别出来的. 这个指标反应了你的可信度,比如让儿子把药拿过来,他一定不能错,他可以不把家里全部的药都拿过来,但是他要保证拿过来必须是降压药.也就是拿药的pr ...
多分类f1分数_分类模型的F1-score、Precision和Recall 计算过程
分类模型的F1分值.Precision和Recall 计算过程引入通常,我们在评价classifier的性能时使用的是accuracy 考虑在多类分类的背景下 accuracy = (分类正确的样 ...
评估指标：ROC，AUC，Precision、Recall、F1-score
一.ROC,AUC ROC(Receiver Operating Characteristic)曲线和AUC常被用来评价一个二值分类器(binary classifier)的优劣 . ROC曲线一般的 ...
机器学习中的评价指标(分类指标评Accuracy、Precision、Recall、F1-score、ROC、AUC ）（回归指标评价MSE、RMSE、MAE、MAPE、R Squared）
文章目录 1.机器学习中的评价指标基础 (一)分类指标评价 1.Accuracy 2.Precision.查准率 3.Recall.查全率 4.F1-score 举个例子: 5.ROC 6.AUC ...
机器学习分类模型评价指标之Accuracy、Precision、Recall、F-Score、P-R Curve、AUC、AP 和 mAP
前文:https://www.cnblogs.com/odesey/p/16902836.html 介绍了混淆矩阵.本文旨在说明其他机器学习模型的评价指标. 1. 准确率(Accuracy-Acc) ...
机器学习模型常用评价指标（Accuracy, Precision, Recall、F1-score、MSE、RMSE、MAE、R方）
前言众所周知,机器学习分类模型常用评价指标有Accuracy, Precision, Recall和F1-score,而回归模型最常用指标有MAE和RMSE.但是我们真正了解这些评价指标的意义吗? ...

机器学习系列(二)——评价指标Precision和Recall

机器学习系列(二)——评价指标Precision和Recall相关推荐

最新文章

热门文章