准确率、精确度、召回率以及F1值的理解和作用

一、精确度和准确率、召回率和漏检率

*****精确度***：  Precision
计算公式：P = TP / ( TP + FP )
定义：检测出的正例中，真正是正例的个数占检测出的正例的比例
举例：检测出100张猫，其实100张中80张是猫，20张是狗，那么:P = 80 / (80  +  20) =0.8*****准确率***：   Accuracy
计算公式：P =( TP + TN ) / ( P + N )
定义：所有的样本中，正确判断出来为正例的个数占所有样本的比例
举例：猫狗总共200张（120猫，80狗），检测出100张猫，其实100张中80张是猫，20张是狗，那么:A = ( 80 + 20 ) / ( 120 + 80) = 0.5*****召回率***：   Recall
计算公式：P = TP + TN ) / ( P + N )
定义：所有的样本中，被判断为正例的占所有正例的比例
举例：猫狗总共200张（120猫，80狗），检测出100张猫，其实100张中80张是猫，20张是狗，那么:R = 80  / 120= 0.6*****漏检率***：   1 - Recall
计算公式：1 - Recall
定义：所有的样本中，本来是正例，没检测出的部分占所有样本的比例
举例：猫狗总共200张（120猫，80狗），检测出100张猫，其实100张中80张是猫，20张是狗，那么:R = 80  / 120= 0.6
漏检率 = 1 - R = 0.4

注意：在一般的目标检测中，准确率其实就等于精确度。

二、理解F1值

1.计算公式

一般形式：

        precision * recall
F1 = 2 * -----------------------precision + recall

通俗理解：

                              2----------------------  F1   =          1             1---------  +  ---------  Precision       Recall

2.理解
①F1值就是Precision和Recall的调和平均数，如果只考虑精确度或者只考虑召回率都不能够作为评价一个模型好坏的指标，所以使用F1值来调和两者，兼容到精确度和召回率。

②观察公式可知：
Recall不变时，Precision越大，1/Precision越小，从而F1越大
Precision不变时，Recall越大，1/Recall越小，从而F1越大

③F1值最大值为1，最小值为0，精确度越高越好，召回率越高越好，可以在0~1的这个值域内，F1越大越好。

正好用到评价指标相关的内容，总结一下，仅供参考，记录学习！

准确率、精确度、召回率以及F1值的理解和作用相关推荐

准确率、召回率、F1值的思考
简述概念准确率(Accuracy) 准确率(ACC), 所有预测正确的占总样本的比重. 精确率/查准率(Precision) 精确率(P):精确率/查准率,表示正确预测为正的占全部预测为正的比例.对 ...
机器学习中的二分类问题评价指标之精确率、召回率、F1值通俗理解
引言:对于分类问题,我们在评估一个模型的好坏时,通常想到的是把该模型在测试集上分类结果正确的样本数量比上测试集的样本数量的比值结果,即准确率(精确率)作为评价准则.但除此之外,还有精确率和召回率作为二 ...
准确率，召回率，F1 值、ROC，AUC、mse,mape评价指标
在机器学习.数据挖掘领域,工业界往往会根据实际的业务场景拟定相应的业务指标.本文旨在一起学习比较经典的三大类评价指标,其中第一.二类主要用于分类场景.第三类主要用于回归预测场景,基本思路是从概念公式, ...
信息检索系统常用的评价指标（准确率，召回率，F1，MAP，NDCG）
1. 准确率,召回率,F1值首先介绍三种最常用的无序的评价指标,它们适用于一种相对简单的情况:在搜索结果中仅考虑返回的文档是否与查询相关,而不考虑这些返回文档在结果列表中的相对位置和顺序. 准确率( ...
分类的性能度量（准确率、精确度、召回率、F1值、Kappa系数）
在运用机器学习或深度学习进行数据分类时,通常会用一些性能的指标来度量分类的效果.在这里我们介绍最常用的几种分类的性能度量指标(准确率.精确度.召回率.F1值.Kappa系数). 对于二分类问题,我们的 ...
一文详尽混淆矩阵、准确率、精确率、召回率、F1值、P-R 曲线、ROC 曲线、AUC 值、Micro-F1 和 Macro-F1
文章目录二分类的评价指标一.混淆矩阵与 TP.TN.FP.FN 二.准确率.精确率.召回率.F1值三.P-R 曲线四.ROC 曲线.AUC 值五.P-R曲线和ROC曲线有什么区别,如何选择? ...
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 ...
机器学习评价指标：准确度，精确度，召回率，F1值
1.简单理解准确率(accuracy):所有预测样本(包括负类)的正确率精确度(precision):所有预测为正类的正确率召回率(recall):所有原本为正类被预测为正类的比例 F1值:准确 ...
scikit-learn:打印分类报告，求准确率、精确率、召回率、F1值等指标
一.打印分类报告(使用scikit-learn库中的函数) from sklearn.metrics import classification_report# y_test为测试集真实标签, y_p ...

准确率、精确度、召回率以及F1值的理解和作用

一、精确度和准确率、召回率和漏检率

二、理解F1值

准确率、精确度、召回率以及F1值的理解和作用相关推荐

最新文章

热门文章