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. 哪些数据可以放进缓存?记录生产环境一次缓存评估的过程
  2. 高层定调!铁腕控炒房,2019下半年楼市基本不会涨了
  3. drupal建设多语言站点之四:不同语言的站点名称
  4. mckinsey game
  5. redirect通过url_for传递参数_Excel VBA解读 | 进阶篇(127):Sub过程的参数传递技术...
  6. php输出二维数组中指定内容,HP将MYSQL内容读到二维数组并按指定列输出
  7. ORACLE 全文搜索(精度高排前)
  8. MongoDB初探系列之二:认识MongoDB提供的一些经常使用工具
  9. JavaScript 编程精解 中文第三版 翻译完成
  10. ORA-01113:文件n需要介质恢复 (转载)
  11. js中采用词法作用域
  12. git 密钥文件在哪里? 代码提交到Git分支。
  13. Python-pyautogui qq自动发送消息,微信自动发送消息,适用于任何聊天窗口
  14. ubuntu下机械硬盘不能新建文件夹
  15. neo4j算法插件-GDS安装
  16. OCMJ8X15B金鹏液晶屏驱动程序+字库规律
  17. 对tcp三次握手的详解之 理解TCP序列号(Sequence Number)和确认号(Acknowledgment Number)
  18. 手把手教你iPhone 3G手机软件开发 转帖
  19. Java实现短信验证码最佳实践
  20. 某版本瑞数解决方案-爬虫

热门文章

  1. 百度网盘搜索工具_2019
  2. 一款高颜值开源知识管理工具
  3. ThinkPHP V5.0.5漏洞_Google Chrome谷歌浏览器V80.0.3987.122离线安装包
  4. Rocket之nameServer
  5. 测试工程师-yy面试 cvte面试总结
  6. Eventloop事件循环机制
  7. java图片压缩工具类
  8. C#下ECDsa签名、验签
  9. 中国人寿旗下多地国寿金融中心吸引新机构入驻
  10. 猫猫学IOS(十八)UI之QQ聊天布局_键盘通知实现自动弹出隐藏_自动回复