精确率:关注正类预测的准确性,适用于对假阳性敏感的情况。 召回率:关注正类的识别能力,适用于对假阴性敏感的情况。 在实际应用中,通常需要综合考虑这三个指标,特别是在类别不平衡的情况下,可以使用F1-score(精确率和召回率的调和平均)来平衡这两个指标。 参考了准确度(accuracy)、精确率(precision)、召回率(rec...
准确率(Accuracy)= (TP + TN) / 总样本 =(50 + 20)/100 = 70% 精确率(Precision)= TP / (TP + FP) = 50/60 = 83% 召回率(Recall)= TP / (TP + FN) = 50/70 = 71.43% 各项指标都比第一次高,说明预测效果更好。从图上也能看出来,预测为男生的范围与实际男生范围更接近。
4.3 精确率与召回率的关系 这两个指标通常是此消彼长的,很难兼得,在大规模数据集合中相互制约,这样就需要综合考虑,最常见的方法就是F-Measure,它是Precision和Recall加权调和平均: 当参数α=1时,就是最常见的F1,即: F1综合考虑了P和R的结果,当F1较高时则能说明试验方法比较有效。 5 IOU指标 指的就是大家...
Precision又称为查准率。 TP/P (要选择一种类别为研究对象,如男生、如某一个类;40/(40+20)。 精确率很高,召回率很低举例:在数据集70个男生里,预测了一个男生,其他69全预测为女生【圈内左1右0】:1/1=100%) 召回率(Recall) = TP / (TP + FN) = 40/70 = 57.14% 。它表示:样本中的正例有多少...