写在前面
识别精度主要由召回率(recall)和精确率(precision)两个指标决定,在训练结束时可以通过re-pre曲线来表示模型的准确度,也可以根据二者之间的关系来调节实际情况中的需要,二者曲线围成的面积可以用来表示模型的精度,面积越大表示模型的精度越高,反之,模型的精度就越低,下面详细介绍一下个人的理解。
知识准备:
数据集在检测中会产生四种检测结果:TP、 FP 、TN 、FN;
T:True
P:Postive 积极的(正样本)
F:False
N:Native 消极的(负样本)
TP:是正样本,然后预测也是正样本,前边的T表示原本的样本属性(样本属性:正样本T还是负样本F),后面的P表示预测这个样本的结果。
TN:样本原有的属性事正样本T,预测结果是N,负样本。
FP:样本原有属性是负样本,预测结果是正样本。
FN:样本原有属性是负样本,预测结果是负样本。
TP+FP+TN+FN:代表的是样本的总数量
TP+FP:代表的是预测样本为正样本的总数量
TP+FN:代表的是实际正样本的总数量
FP+TN:实际负样本数。
TN+FN:预测结果为负样本的总数,包括预测正确的和错误的。
这里必须理解TP+FP和TP+FN所代表的意义,因为召回率和精确率是在此基础上计算的,明白了这两个所代表的意义也就明白了召回率和精确率的精髓所在。
召回率
先看召回率的计算公式:
TP/TP+FN
分子是预测为正的样本数量,分母是实际正样本的总分数量
这个公式表示的意思是:预测正确的正样本数量占总的正样本数量的比例。这就是召回率的定义。
这个比例可以表示出模型正确判断正样本数量在总数据集中所占的比例。比值越大,代表着漏检的越少。
精确率
先看计算公式:
TP/TP+FP
分子是预测为正的样本数量,分母是预测为正样本的总数量
表示的意义:在所有预测为正样本的结果中,正确预测的结果所占的比例,(FP是预错的)。
表示了模型预测正确的正样本的准确度,值越大表示误检的越少。
暂时先写这么多,以后有了新的感悟再补充。

召回率与精确率的理解相关推荐

  1. 通俗解释机器学习中的召回率、精确率、准确率

    赶时间的同学们看这里:提升精确率是为了不错报.提升召回率是为了不漏报 网络上很多地方分不清准确率和精确率,在这里先正确区分一下精确率和准确率,以及他们的别称 切入正题 很多人分不清召回率和精确率的区别 ...

  2. [机器学习-总结] 什么是准确率, 精确率,召回率和(精确率和召回率的调和平均)

    准确率, 精确率,召回率和精确率和召回率的调和平均 1. 背景介绍 2. 准确率(accuracy) 3. 精确率(precision) 4. 召回率(recall,也称为查全率) 5. 精确率和召回 ...

  3. 混淆矩阵、召回率、精确率、正确率、F1、真阳性率、假阳性率、ROC、AUC

    ConfusionMatrix:Confusion Matrix:ConfusionMatrix: 真实 1 0 预测 1 TP(命中) FP(虚报) 0 FN(漏报) TN(正确拒绝) 召回率Rec ...

  4. 【机器学习】召回率、精确率、准确率的区别

    1. 作用语言定义 作用:提升****精确率是为了不错报.提升召回率是为了不漏报 分不清准确率和精确率,在这里先正确区分一下精确率和准确率,以及他们的别称这里[HashArt]给出了一个通俗易懂的解释 ...

  5. NLP-准确率、精确率、召回率和F1值

    记录准确率(Accuracy).精确率(Precision).召回率(Recall)和F1值(F-Measure)计算公式,和如何使用TensorFlow实现 一.计算公式 True Positive ...

  6. 机器学习-准确率、召回率、精确率、f1score等

    背景 机器学习中,如何评估一个模型的好坏极关重要,否则训练出来了我们自己都说不明白到底该不该用,一句话就是心里没底. 本文将用较为白话的角度来阐述这些指标. 注:这些指标(准确率.精确率.召回率)用中 ...

  7. 召回率、精确率、精确度、F值

    召回率.准确率和F值 召回率 精确率 例子 召回率.准确率和F值 信息检索.分类.识别.翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate),召回率也叫查 ...

  8. 召回率和精确率(recall and precision)

    #记性不好写博客以记之 召回率(recall) 公式:Recall = TP /TP+FN 定义:所有的正样本中,我们识别出来的比例.召回率又叫查全率.击中的概率. 精准率(precision) 公式 ...

  9. 假阳率(第一类错误)、假阴率,召回率、精确率

    为什么统计检验中常关注假阳率(第一类错误)和假阴率(第二类错误),而机器学习中常关注准确率和精确率? 最根本的原因是统计检验的零假设和备择假设是"不平等"的两类.而机器学习的分类一 ...

最新文章

  1. 专业版云南_云南核桃集中上市市民“囤货”忙,天眼查:我国8万余家核桃相关企业,云南省数量最多...
  2. Oracle 之 配置HugePages内存
  3. PHP并发IO编程之路
  4. Oracle 触发器调用存储过程|转||待研究|
  5. 【发布】温度监测报警器v1.2a内测版!
  6. 阿里巴巴矢量图标库iconfont的使用
  7. phonegap安卓手机开发入门
  8. 内核电源管理器已启动关机转换_电气器件-菲尼克斯UPS(不间断电源)使用
  9. graphic头文件函数_graphics.h头文件
  10. hibernate 高并发下遇到的大坑
  11. 联想童夫尧:细分市场将是PC未来新增长点
  12. prolog与python_讲解:SENG201、Software、Python,Java/c++Web|Prolog
  13. 语音处理工具 sox librosa
  14. linux中svn卸载,linux svn 安装 配置 及 卸载
  15. 忘记保存,如何利用历史版本找回丢失的Word文件
  16. 编译原理——SysY编译器实践报告
  17. 1.16 利用Multisim 研究图P1.4所示电路在R的阻值变化时二极管的直流电压和交流电流的变化,并总结仿真结果。
  18. P1823 [COI2007] Patrik 音乐会的等待
  19. VMware 14安装 CentOS 7
  20. 一片幽情冷處濃--解讀納蘭詞〈采桑子〉一首

热门文章

  1. 进入社会一周年的些许感悟和经历
  2. 马云谈大数据:就像石油和电一样
  3. jQuery Mobile使用中遇到的坑!填坑很难,但很有成就感。。
  4. 沈阳计算机ps自锁按键开关,点按式轻触开关如何实现自锁轻触开关带锁按键开关功能?...
  5. dynamic linke library example (C/C++)
  6. Lingke: A Fine-grained Multi-turn Chatbot for Customer Service
  7. 印刷常用专业术语解释
  8. Win32-API: 终于能正常的捕获焦点事件: WM_COMMAND、BN_SETFOCUS、EN_SETFOCUS
  9. clinvar数据库
  10. Java 8 stream学习