機器學習 準確率 召回率 精確率 f1score等

機器學習中，如何評估乙個模型的好壞極關重要，否則訓練出來了我們自己都說不明白到底該不該用，一句話就是心裡沒底。

本文將用較為白話的角度來闡述這些指標。

注：這些指標（準確率、精確率、召回率）用中文表示容易混淆，例如準確率和精確率，本文將用英文來進行表述

在介紹之前，我們先上乙個二分類的例子

假定已經根據訓練集訓練出了乙個模型，這個模型等待進行評估。

現在給定測試集，正樣本60個，負樣本40個，一共100個。

你可以簡單的比喻為，乙個班有60個男的，40個女的，但是呢，我們又預先不知道，而是通過模型來進行**。（這裡把男比喻為整樣本，女比喻為負樣本）

真實結果：

英文表示：

混淆矩陣如下：

**男**女

真實男40（tp）

20（fn）

真實女10（fp）

30（tn）

看到這些男男**、正正負負是不是很矇。。。

白話描述：找的準

accuracy = **對的 / 所有 = (tp+tn)/(tp+fn+fp+tn) = 70%

注意：accurary是對全部類別計算的

白話描述：找的全

正樣本召回率：recall = tp/(tp+fn) = **正樣本對的 / 所有正樣本 = 66.6%

白話描述：***xx

precision = tp/(tp+fp) = 80%

注意：precision是按乙個分類（男，即正分類）計算的

準確率 精確率 召回率 F1值

1.tp tn fp fn 圓的部分認定為檢測後是陽性的，其餘部分為檢測為陰性的 但是現在的情況是檢測並不完全準確，有可能檢測時陰性，但實際上已經有新冠，只是無症狀 現在只看園內，園的左半綠色部分意思是 實際上這個人是新冠患者 右辦粉色部分則為實際並不是新冠患者 那麼圓內綠色部分則為 真陽 對應 正...

準確率 精確率 召回率

準確率 accuracy 精確率 precision 和召回率 recall 2 是資訊檢索，人工智慧，和搜尋引擎的設計中很重要的幾個概念和指標。中文中這幾個評價指標翻譯各有不同，所以一般情況下推薦使用英文。先假定乙個具體場景作為例子。假如某個班級有男生80人,女生20人,共計100人.目標是找出所...

精確率 召回率 準確率

精確率是針對我們 結果而言的，它表示的是 為正的樣本中有多少是真正的正樣本。那麼 為正就有兩種可能了，一種就是把正類 為正類 tp 另一種就是把負類 為正類 fp 也就是 召回率是針對我們原來的樣本而言的，它表示的是樣本中的正例有多少被 正確了。那也有兩種可能，一種是把原來的正類 成正類 tp 另一...