recall和precise的区别
本文转载于:http://www.cnblogs.com/cnkai/p/7755141.html
注:本文是人工智能研究网的学习笔记
Precision和Recall都能够从下面的TP,TN,FP,FN里面计算出来。
几个缩写的含义:
缩写 | 含义 |
---|---|
P | condition positive |
N | condition negative |
TP | true positive (with hit) |
TN | true negative (with correct rejection) |
FP | false positive (with false alarm, Type I error) |
FN | false negative (with miss, Type II error) |
TP: 我认为是真的,结果确实是真的
TN: 我认为是假的,结果确实是假的
FP: 我认为是真的,结果是假的
FN: 我认为是假的,结果是真的
T / F: 表名我预测的结果的真假
P / N: 表名我所认为的真还是假
precision和recall的进一步解释
precision和accuracy的区别
简单的来说,给定一组测量点的集合:
精确(precision): 所有的测量点到测量点集合的均值非常接近,与测量点的方差有关。就是说各个点紧密的聚合在一起。
准确(accuracy): 所有的测量点到真实值非常接近。与测量点的偏差有关。
以上两个概念是相互独立的,因此数据点集合可以使accurate的,也可以使precise的,还可以都不是或者都是。
二元分类问题
from sklearn import metrics
y_pred = [0, 1, 0, 0]
y_true = [0, 1, 0, 1]
print(metrics.precision_score(y_true, y_pred)) # 1.0
print(metrics.recall_score(y_true, y_pred)) # 0.5
# beta值越小,表示越看中precision
# beta值越大,表示越看中recall
print(metrics.f1_score(y_true, y_pred)) # 0.666666666667
print(metrics.fbeta_score(y_true, y_pred, beta=0.5)) # 0.833333333333
print(metrics.fbeta_score(y_true, y_pred, beta=1)) # 0.666666666667
print(metrics.fbeta_score(y_true, y_pred, beta=2)) # 0.555555555556
将二元分类指标拓展到多类和或多标签问题中
from sklearn import metrics
y_pred = [0, 1, 2, 0, 1, 2]
y_true = [0, 2, 1, 0, 0, 1]
print(metrics.precision_score(y_true, y_pred, average='macro'))
print(metrics.recall_score(y_true, y_pred, average='micro'))
print(metrics.f1_score(y_true, y_pred, average=‘weighted’))
print(metrics.fbeta_score(y_true, y_pred, beta=0.5, average=‘macro’))
print(metrics.precision_recall_fscore_support(y_true, y_pred, beta=0.5, average=None))
recall和precise的区别相关推荐
- EasyPR--开发详解(8)文字定位
今天我们来介绍车牌定位中的一种新方法--文字定位方法(MSER),包括其主要设计思想与实现.接着我们会介绍一下EasyPR v1.5-beta版本中带来的几项改动. 一. 文字定位法 在EasyPR前 ...
- 车牌识别EasyPR(5)——文字定位
今天我们来介绍车牌定位中的一种新方法--文字定位方法(MSER),包括其主要设计思想与实现.接着我们会介绍一下EasyPR v1.5-beta版本中带来的几项改动. 一.文字定位法 在EasyPR前面 ...
- (六十二)基于logistic回归的信用评级和分类模型评估
案例数据介绍 本案例中的企业从事个人汽车金融服务,向购车的个人提供信用贷款.该公司的风控部门根据贷款申请者的基本属性.信贷历史.历史信用情况.贷款标的物的情况等信息构建贷款违约顶测模型,其中是否违约b ...
- EasyPR--开发详解(9)文字定位
今天我们来介绍车牌定位中的一种新方法–文字定位方法(MSER),包括其主要设计思想与实现.接着我们会介绍一下EasyPR v1.5-beta版本中带来的几项改动. 一. 文字定位法 在EasyPR前面 ...
- (二十三:2020.12.14)CVPR 2020 学习(二)《U^2 Net》
<U^2 Net: Going Deeper with Nested U-Structure for Salient Object Detection><借助嵌套U型结构深入研究显着 ...
- Accuracy and precision 意义
前言 在做数据分析时常常用到两个概念:精度(Precision)和准确度(Accuracy).这两个词可以在口语中作为同义词使用,但它们在科学方法背景下是完全不同的.其具体意义是怎样的,在科学研究中需 ...
- 目标检测模型的评价指标 mAP
在使用机器学习解决实际问题时,通常有很多模型可用.每个模型都有自己的怪癖(quirks),并且基于各种因素,性能会有所不同. 模型性能的评定都是在某个数据集上进行的,通常这个数据集被称为 " ...
- JData数据处理及高潜用户购买意向预测
竞赛概述: 本次大赛以京东商城真实的用户.商品和行为数据(脱敏后)为基础,参赛队伍需要通过数据挖掘的技术和机器学习的算法,构建用户购买商品的预测模型,输出高潜用户和目标商品的匹配结果,为精准营销提供高 ...
- Jdata大数据竞赛总结
竞赛概述: 本次大赛以京东商城真实的用户.商品和行为数据(脱敏后)为基础,参赛队伍需要通过数据挖掘的技术和机器学习的算法,构建用户购买商品的预测模型,输出高潜用户和目标商品的匹配结果,为精准营销提供高 ...
最新文章
- cisco+路由器+固定外网IP与NAT+设置
- Javascript 中 apply、call、bind
- 关于分页的一些经验。
- 3_3 ObserverMode 观察者模式
- Hbase Memstore刷新方式与Region的数目上限
- IE9 新功能 五大新特点
- c语言 指针 排序,c – 对指针列表进行排序
- 在ORACLE中找出并批量编译失效的对象
- 【转载】完全手册 Flex 3.0 RIA开发详解(光盘内容)(书下载以及书的源代码下载)...
- 低成本,高效率,更成熟的实时数据采集方案来了
- 12V直通限流芯片,输出12V,短路保护,可调限流1A-4A
- 80C51 单片机使用汇编语言编写点亮和熄灭绿色LED流水灯附PROTEUS8仿真电路及效果(一)
- 广告行业中静态创意和动态创意区别
- jekyll php,使用Jekyll在Github上搭建个人博客(文章分类索引)
- 将HTML代码转换为图片
- HttpWebRequest.Create
- theano环境配置
- 中医移动医疗_搜狗切入移动医疗领域 推中医识方APP
- 计算机网络——域名系统DNS
- vue 通过接口实现前端登录页验证码功能