准确率、精确率、召回率、F1-measure
文章目录
- 准确率(Accuracy)
- 精确率(precision)
- 召回率(recall)
- F1-measure值
- 学习理解网站
- | p’(Predicted) | n’(Predicted) |
---|---|---|
p(Actual) | True Positive | False Negtive |
n(Actual) | False Positive | True Negtive |
准确率(Accuracy)
A = No.Samples Predicted Correctly Total No.of Samples = T P + T N P + N (1) A=\frac{\text{No.Samples Predicted Correctly}}{\text{Total No.of Samples}}=\frac{TP+TN}{P+N}\tag1 A=Total No.of SamplesNo.Samples Predicted Correctly=P+NTP+TN(1)
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。
精确率(precision)
P = T P T P + F P (2) P=\frac{TP}{TP+FP}\tag2 P=TP+FPTP(2)
计算的是所有"正确被检索的item(TP)占所有"实际被检索到的(TP+FP)的比例。预测为正的样本中有多少是真正的正样本,它是针对我们预测结果而言的。Precision又称为查准率。
召回率(recall)
计算的是所有“正确被检索的item(TP)”占所有"应该检索到的item(TP+FN)”的比例。样本中的正例有多少被预测正确了, 它是针对我们原来的样本而言的。Recall又称为查全率。召回率关注的是分类器正确识别出的正例占所有实际正例的比例,可以反映出模型在识别正例上的能力。
R = T P T P + F N (3) R=\frac{TP}{TP+FN}\tag3 R=TP+FNTP(3)
- 真正例(True Positive, TP):实际为正例且被模型预测为正例的样本数量;
- 假负例(False Negative, FN):实际为正例但被模型预测为负例的样本数量。
F1-measure值
F1-measure值是一种统计量,是Precision和统计量加权调和平均的一个评价标准。
F β = ( β 2 + 1 ) P R β 2 ⋅ P + R (4) F_{\beta}=\frac{\left(\beta^{2}+1\right) P R}{\beta^{2} \cdot P+R}\tag4 Fβ=β2⋅P+R(β2+1)PR(4)
A more general F score, F β F_\beta Fβ, that uses a positive real factor β \beta β, where β \beta β is chosen such that recall is considered β \beta β times as important as precision。
F 1 F_1 F1定义为调和均值
2 F 1 = 1 P + 1 R (5) \frac{2}{F_{1}}=\frac{1}{P}+\frac{1}{R}\tag5 F12=P1+R1(5)
调整下也就是
F 1 = 2 P R P + R = 2 T P 2 T P + F P + F N (6) F_{1}=\frac{2 P R}{P+R}=\frac{2 T P}{2 T P+F P+F N}\tag6 F1=P+R2PR=2TP+FP+FN2TP(6)
当参数 β \beta β=1时,式 ( 6 ) (6) (6)就是最常见的F1-Measure形式。
学习理解网站
这是一个链接 F β 学习网址 F_{\beta}学习网址 Fβ学习网址。看完博客不理解的话可以在B站上学习,视频以Nike鞋子举例,说明为什么要多种的统计量来衡量模型优劣。
准确率、精确率、召回率、F1-measure相关推荐
- 准确率 召回率_机器学习中F值(F-Measure)、准确率(Precision)、召回率(Recall)
在机器学习.数据挖掘.推荐系统完成建模之后,需要对模型的效果做评价. 业内目前常常采用的评价指标有准确率(Precision).召回率(Recall).F值(F-Measure)等,下图是不同机器学习 ...
- 机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)
转载自:https://www.cnblogs.com/Zhi-Z/p/8728168.html 摘要: 数据挖掘.机器学习和推荐系统中的评测指标-准确率(Precision).召回率(Recall) ...
- 准确率(Precision)、召回率(Recall)以及F值(F-Measure)
在信息检索.分类体系中,有一系列的指标,搞清楚这些指标对于评价检索和分类性能非常重要,因此最近根据网友的博客做了一个汇总. 准确率.召回率.F1 信息检索.分类.识别.翻译等领域两个最基本指标是召回率 ...
- 机器学习:准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
增注:虽然当时看这篇文章的时候感觉很不错,但是还是写在前面,想要了解关于机器学习度量的几个尺度,建议大家直接看周志华老师的西瓜书的第2章:模型评估与选择,写的是真的很好!! 以下第一部分内容转载自:机 ...
- 推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)
下面简单列举几种常用的推荐系统评测指标: 1.准确率与召回率(Precision & Recall) 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值,用来评价结果的质量.其 ...
- 自然语言处理:分词评测指标——准确率(Precision)、召回率(Recall)、F值(F-Measure)
下面简单列举几种常用的推荐系统评测指标: 1.准确率与召回率(Precision & Recall) 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值,用来评价结果的质量.其中精度 ...
- 机器学习深度学习:准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
增注:虽然当时看这篇文章的时候感觉很不错,但是还是写在前面,想要了解关于机器学习度量的几个尺度,建议大家直接看周志华老师的西瓜书的第2章:模型评估与选择,写的是真的很好!! 以下第一部分内容转载自:机 ...
- 机器学习模型评价指标:准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
转自机器学习:准确率(Precision).召回率(Recall).F值(F-Measure).ROC曲线.PR曲线 摘要: 数据挖掘.机器学习和推荐系统中的评测指标-准确率(Precision).召 ...
- 准确率(Precision)、召回率(Recall)、F值对于模型的评估
一.有哪些模型评估方法? 在机器学习.数据挖掘.推荐系统完成建模之后,需要对模型的效果做评价. 业内目前常常采用的评价指标有准确率(Precision).召回率(Recall).F值(F-Measur ...
- 机器学习各种模型评价指标:准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
周志华老师的西瓜书的第2章:模型评估与选择 摘要: 数据挖掘.机器学习和推荐系统中的评测指标-准确率(Precision).召回率(Recall).F值(F-Measure)简介. 引言: 在机器学习 ...
最新文章
- 网络情况不稳定 无法连接服务器,提示网络正常无法连接服务器
- linux操作系统颜色,Linux小技巧之man pages设置高亮颜色
- uva1152 - 4 Values whose Sum is 0(hash或STL技巧ac)
- CodeForces 176B Word Cut(DP)
- 修改这个新的伪原创工具列表
- Python 变量 字符串 运算
- logback 配置详解(一)configuration and logger
- 【Vegas2006】8月24日-花豆擀面做法
- [转载] Python Web开发最难懂的WSGI协议,到底包含哪些内容? WSGI服务器种类和性能对比
- androidgpuimage_基于GPUImage的实时美颜滤镜
- elasticsearch中文分词
- 语法分析(3)...
- 【实用】常用JS验证函数大全
- java文件删除失败
- Word批量转PDF,宏批量转PDF
- 安卓学习 布局篇 Android studio
- 【数据分析】数据分析方法(一):5W2H 分析方法
- 【JZOJ 4623】搬运干草捆
- Word文件的只读模式没有密码怎么退出?
- 最小生成树-普利姆和克鲁斯卡尔算法
热门文章
- 腾讯云轻量应用服务器便宜是不是性能差?
- 补丁冷启动模式_只要5步,实现从0到1冷启动
- python界面如何设置成黑色_实战!在Python中制作精美的图形用户界面
- 电子书怎么转成TXT格式?这几个技巧让你轻松实现
- HaaS EDU物联网项目实战:野外救援项目
- apt-get使用sock5代理
- 详述 @Service 和 @Resource 注解的区别
- VOTtoolkit的使用【3.调试方法】
- 计算机图形学绘画应用,计算机图形学的介绍
- 智能财务“硬核”技术之数据挖掘与机器人流程自动化