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）用中文表示容易混淆，例如准确率和精确率，本文将用英文来进行表述

指标介绍

在介绍之前，我们先上一个二分类的例子

假定已经根据训练集训练出了一个模型，这个模型等待进行评估。
现在给定测试集，正样本60个，负样本40个，一共100个。
你可以简单的比喻为，一个班有60个男的，40个女的，但是呢，我们又预先不知道，而是通过模型来进行预测。（这里把男比喻为整样本，女比喻为负样本）

模型预测结果：

50个是男的，50个是女的

真实结果：

预测的50个男的中，有40个是男的，10个是女的
预测的50个女的中，有30个是女的，20个是男的

英文表示：

TP：将正类预测为正类数量，40
FN：将正类预测为负类数量，20
FP：将负类预测为正类数量，10
TN：将负类预测为负类数量，30

混淆矩阵如下：

	预测男	预测女
真实男	40（TP）	20（FN）
真实女	10（FP）	30（TN）

看到这些男男女女、正正负负是不是很蒙。。。

Accuracy（中文译为准确率）

白话描述：找的准
accuracy = 预测对的 / 所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
注意：accurary是对全部类别计算的

Recall（召回率）

白话描述：找的全
正样本召回率：recall = TP/(TP+FN) = 预测正样本对的 / 所有正样本 = 66.6%

Precision（精确率）

白话描述：xxxxx
precision = TP/(TP+FP) = 80%
注意：precision是按一个分类（男，即正分类）计算的

总结

Precision，被我们的算法选为positive的数据中，有多少真的是positive的？
Recall: 实际应该为Positive的数据中，多少被我们选为了Positive？
Accuracy: 所有数据中，我们正确分类了多少？
F1 Score是precision和recall整合在一起的判定标准（类似于ROC评估，可以直接标定一个模型的好坏）

机器学习-准确率、召回率、精确率、f1score等相关推荐

机器学习分类指标：精确率、准确率、召回率详解
混淆矩阵在介绍具体的定义之前先了解一些混淆矩阵(confusion matrix): 一种 NxN 表格,用于总结分类模型的预测效果:即标签和模型预测的分类之间的关联.在混淆矩阵中,一个轴表示模型预 ...
sklearn预测评估指标计算详解：准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1score
目录前言一.准确率二.精确率三.召回率四.F1-score
机器学习（15）精确率召回率F1-score（查看癌症预测结果的精确率、召回率）
目录一.基础理论 1.混淆矩阵 2.精确率 3.召回率 4.F1-score 二.查看癌症预测结果的精确率.召回率 API 查看癌症预测结果的精确率.召回率总代码一.基础理论 1.混淆矩阵预测 ...
python计算召回率_机器学习之分类：精确率和召回率
精确率精确率指标尝试回答以下问题: 在被识别为正类别的样本中,确实为正类别的比例是多少? 精确率的定义如下: Precision = \dfrac{TP}{TP + FP} 注意:如果模型的预测结果 ...
详解准确率acc、精确率p、准确率acc、F1 score
准确率 Accuracy: 模型预测正确的比例:总样本中预测对的概率:所有样本中实际是正例的占比:正确预测的样本数与总样本数之比. 准确率 =(真正例+真负例)/(真正例+真负例+假正例+假负例). ...
机器学习分类问题指标理解——准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积
2020.08.25更新: 修改了ROC曲线中TPR公式的错误. 2020.07.25更新: 修改了混淆矩阵,每一行为实际值,每一列与预测值. 机器学习分类问题指标理解 0. 一个例子 1.准确率(A ...
准确率(Accuracy)，精确率/查准率(Precision)，召回率/查全率(Recall)和F1-Measure
机器学习(ML), 自然语言处理(NLP), 信息检索(IR)等领域, 评估(Evaluation)是一个必要的工作, 而其评价指标往往有如下几点: 准确率(Accuracy), 精确率(Precis ...
模型测试集上准确率(ACC)、精确率precision、召回率recall、AUC评估指标计算
TP: 预测为正,实际为正 TN: 预测为负,实际为负 FP:预测为正,实际为负 FN: 预测为负,实际为正准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+T ...
准确率(Auccary)，精确率(Precision)，召回率(Recall)，F1，ROC，AUC说明
符号解释: TP : 所有被正确预测为正的样例数(真阳)(正正) FP : 所有被错误预测为正的样例数(假阳)(负正) TN : 所有被正确预测为负的样例数(真阴)(负负) FN ...
python分类预测降低准确率_【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率，F1值...
[火炉炼AI]机器学习011-分类模型的评估:准确率,精确率,召回率,F1值 (本文所使用的Python库和版本号: Python 3.5, Numpy 1.14, scikit-learn 0.19 ...

机器学习-准确率、召回率、精确率、f1score等

背景

指标介绍

Accuracy（中文译为准确率）

Recall（召回率）

Precision（精确率）

总结

机器学习-准确率、召回率、精确率、f1score等相关推荐

最新文章

热门文章