admin 管理员组

文章数量: 1086866

Precision(精确率，正确率)， Recall(召回率，查全率)，Accuracy(准确率)，F

 

一、指标概念

TP - 将正类预测为正类

FN - 将正类预测为负类， 类似假设检验中的第一类错误，拒真

FP - 将负类预测位正类，类似假设检验中的第二类错误，取伪

TN - 将负类预测位负类

假设检验第一类错误(Type I error)：原假设是正确的，却拒绝了原假设。

假设检验第二类错误(Type II error)：原假设是错误的，却没有拒绝原假设。 二、定义 Precision(精确率，正确率) = TP / (TP +FP)     提取出来的正确信息条数 /  提取出来的信息条数 反映了被分类器判定的正例中真正的正例样本的比重  Recall(召回率，查全率) = TP / (TP + FN)    提取出的正确信息条数 /  样本中的正确信息条数  反映了被正确判定的正例占总的正例的比重 Accuracy(准确率)  = （TP + TN) /(TP + FN + FP + TN) 反映了分类器统对整个样本的判定能力——能将正的判定为正，负的判定为负  在大规模数据集合中，精确率(Precision)和召回率(Recall)2个指标往往是相互制约的。理想情况下做到两个指标都高当然最好，但一般情况下，Precision高，Recall就低，Recall高，Precision就低。所以在实际中常常需要根据具体情况做出取舍，例如一般的搜索情况，在保证召回率的条件下，尽量提升精确率。而像癌症检测、地震检测、金融欺诈等，则在保证精确率的条件下，尽量提升召回率。 F-Measure(F值) = 2 *  Recall * Precision/ (Precision+Recall)

一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖

现在以捕鲤鱼为目的。那么，这些指标分别如下：

 

 逮着了700条鲤鱼，200只虾，100只鳖把池子里的所有的鲤鱼、虾和鳖都一网打尽
Precision700 / (700 + 200 + 100) = 70%1400 / (1400 + 300 + 300) = 70%
Recall700 / 1400 = 50%1400 / 1400 = 100%
F值70% * 50% * 2 / (70% + 50%) = 58.3%70% * 100% * 2 / (70% + 100%) = 82.35% 

 

另一个例子

生病检查数据样本有10000个，其中10个数据祥本是有病，其它是无病。

假设分类模型在无病数据9990中预测正确了9980个，在10个有病数据中预测正确了9个，真阳=9，真阴=9980，假阳=10，假阴=1

可翻译为 TP=9,  FN(拒真)=1, FP(取伪)= 10,TN=9980

于是

Precision= TP / (TP +FP) = 9/(9+10)= 47.36% 

Accuracy = （TP + TN) /(TP + FN + FP + TN)= (9+9980) /10000=99.89% 

Recall = TP / (TP + FN) = 9/(9+1) = 90%

F-Measure(F值) = 2 *  Recall * Precision/ (Precision+Recall)
F1-score=2 *Recall *Precision/ (Precision+Recall)= 2×(47.36% × 90%)/(1×47.36%+90%)=62.07% 
F2-score=5× (47.36% × 90%)/(4×47.36%+90%)=76. 27%

 

参考链接:

转载于:.html

本文标签： Precision(精确率，正确率)， Recall(召回率，查全率)，Accuracy(准确率)，F

版权声明：本文标题：Precision(精确率，正确率)， Recall(召回率，查全率)，Accuracy(准确率)，F 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/b/1686579493a12825.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。