precision、recall、f1score的计算
python计算precision、recall、f1score
一、介绍TP、TN、FP、FN
二分类中,假设只有正类(1)和负类(0)两个类别,True(1)和False(0)分别表示对和错;Positive(1)和Negative(0)表示预测为正类和负类。
TP:预测为Positive并且对了(样本为正类且预测为正类)
TN:预测为Negative并且对了(样本为负类且预测为负类)
FP:预测为Positive但是错了(样本为负类但预测为正类)
FN:预测为Negative但是错了(样本正类但预测为负类)
二、介绍precision、recall、f1score
TP+FP: 预测为Positive并且对了+预测为Positive但是错了=预测为Positive的样本总数
所以,precision表示为:被正确预测的Positive样本 / 被预测为Positive的样本总数
TP+FN: 预测为Positive并且对了+预测为Negative但是错了=实际为Positive的样本总数
所以,recall表示为:被正确预测的Positive样本 / 实际为Positive的样本总数
f1score是调和平均值,precision和recall只要一个比较小的话,f1score的值也会被拉下来:
三、python调用sklearn包实现
from sklearn.metrics import precision_score, recall_score, f1_scorey_true = [0, 1, 0, 1, 0, 1]y_pred = [0, 0, 0, 1, 0, 1]print('binary------------')
print("precision: {}".format(precision_score(y_true, y_pred, average='binary')))
print("recall: {}".format(recall_score(y_true, y_pred, average='binary')))
print("f1: {}".format(f1_score(y_true, y_pred, average='binary')))
运行结果:
precision、recall、f1score的计算相关推荐
- sklearn.metrics —— 混淆矩阵及其绘制、Accuracy/Precision/Recall/F1-score
1. confusion_matrix sklearn 关于 confusion_matrix 混淆矩阵接口的定义十分清楚:sklearn.metrics.confusion_matrix(y_tru ...
- 多分类模型Accuracy, Precision, Recall和F1-score的超级无敌深入探讨
https://zhuanlan.zhihu.com/p/147663370?from_voters_page=true 众所周知,机器学习分类模型常用评价指标有Accuracy, Precision ...
- 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? ...
- Accuracy, Precision, Recall和F1-score解释
本文解释分类问题常用评价指标Accuracy, Precision, Recall和F1-score 主要参考以下文章 多分类模型Accuracy, Precision, Recall和F1-scor ...
- 【教学】图像分类算法中的召回率recall、精准率precision和f1score得分等计算。
首先我们来介绍一下这些名称的含义. TP: 预测为1(Positive),实际也为1(Truth-预测对了) TN: 预测为0(Negative),实际也为0(Truth-预测对了) FP: 预测为1 ...
- 详解多分类模型的Macro-F1/Precision/Recall计算过程
引入 关于准确率(accuracy).精度(precision).查全率(recall).F1的计算过程,之前写过一篇文章[1]. 根据文章[1]中的公式,我们可以知道,精度(precision).查 ...
- 性能评估指标(Precision, Recall, Accuracy, F1-measure)
文章目录 一个例子 Precision 精准率 召回率 其他 Reference 一个例子 首先我们看下面的一个表格,也是经典的二分类问题,常常会看见的表格: 如上表所示,行表示预测的label值,列 ...
- 算法模型评价详解:confusion matrix Accuracy Precision Recall F1 调和平均 加权F1 Micro-F1 Macro-F1 PRC ROC AUC
目录 问题定义 confusion matrix Accuracy Precision和Recall和PRC F1和调和平均 加权F1 Micro-F1和Macro-F1 ROC和AUC PRC对比R ...
- 机器学习常用的评测指标Rank-n、Precision Recall、F-score、Map 、CMC、ROC Single shot 和Muti shot
机器学习中常用的评测指标为:Rank-n.Precision & Recall.F-score.Map .CMC.ROC Single shot 和Muti shot,下面一个个进行介绍. 写 ...
- 信息检索的评价指标(Precision, Recall, F-score, MAP)
转载自: 信息检索的评价指标(Precision, Recall, F-score, MAP) - 小村长技术blog - 博客频道 - CSDN.NET http://blog.csdn.net/l ...
最新文章
- GitHub 标星 7k+,面试官的灵魂 50 问,问到你怀疑人生!
- CentOS 6.5 安装 Mysql 5.7.* (tar.gz)
- hdu1556 线段树段更新(简单题)
- 《C++ Primer中文版(第5版)》学习笔记与习题完整发布!
- 空间三维坐标的旋转 理解与记忆
- 编译后没有taget文件夹_matconvnet安装、编译、配置
- python 图像分析 边框_Python 去除图片纯色边框(qbit)
- devops 开源_没有开源就无法拥有DevOps
- 在Word中使用Quick Parts功能
- 尝试在Community Server中添加一个页面
- android 蒙版图片带拖动_「ps|pr」大概ps的剪切蒙版和pr的轨道遮罩键是兄弟吧
- 【计算机】数据结构-严蔚敏/清华大学P4
- 华为(H3C)visio图库,是完全版的包括PPT格式与VISIO格式
- Arduino 超声波避障循迹小车,四轮智能小车
- Netbean UML自动生成类图
- 安装mysql电脑开机蓝屏_电脑开机蓝屏怎么解决。
- 鼠标移入显示图片案例
- 杨柳目-杨柳科-杨属-杨树:杨树
- 钉钉扫码登录cs架构,winform设计钉钉扫码客户端
- Centos添加开机启动项【Systemctl方式】