12018.08.15 10:25:56 字数 559 阅读 91,254
原文 精确率，召回率
刚开始接触这两个概念的时候总搞混，时间一长就记不清了。
实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类 (TP)，另一种就是把负类预测为正类 (FP)，也就是
精确率
而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类 (TP)，另一种就是把原来的正类预测为负类 (FN)。
召回率
其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。
精确率和召回率
在信息检索领域，精确率和召回率又被称为查准率和查全率，
查准率＝检索出的相关信息量 / 检索出的信息总量
查全率＝检索出的相关信息量 / 系统中的相关信息总量
假设我们手上有 60 个正样本，40 个负样本，我们要找出所有的正样本，系统查找出 50 个，其中只有 40 个是真正的正样本，计算上述各指标。
- TP: 将正类预测为正类数 40
- FN: 将正类预测为负类数 20
- FP: 将负类预测为正类数 10
- TN: 将负类预测为负类数 30
准确率 (accuracy) = 预测对的 / 所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
精确率 (precision) = TP/(TP+FP) = 80%
召回率 (recall) = TP/(TP+FN) = 2/3
除此之外，还有 ROC 曲线，PR 曲线，AUC 等评价指标，可以参见我的博客：机器学习性能评估指标**
相关链接：机器学习和统计里面的 auc 怎么理解？
ROC，AUC，Precision，Recall，F1 的介绍与计算
“小礼物走一走，来简书关注我”
还没有人赞赏，支持一下
菜鸟瞎编真正有知识的人的成长过程，就像麦穗的成长过程：麦穗空的时候，麦子长得很快，麦穗骄傲地高高昂起，…
总资产 85 (约 7.96 元) 共写了 6.7W 字获得 85 个赞共 50 个粉丝
被以下专题收入，发现更多相似内容
若有收获，就点个赞吧
0 人点赞
