机器学习-评价指标（准确率&召回率等）

最新推荐文章于 2025-06-19 19:10:43 发布
原创 最新推荐文章于 2025-06-19 19:10:43 发布 · 705 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #评价指标 #召回率

本文探讨了准确率与召回率的概念及其应用，解释了两者之间的区别，并介绍了如何使用F-Measure作为综合评价指标来衡量检索系统的性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

引言

自己学习的笔记，防止以后忘了，文章部分引用了网上大佬的博客之类，在此谢谢给为大佬！

准确率与召回率

上图

图片引用链接 

  • 准确率就是检索的结果中有多少是准确的；
  • 召回率就是数据集中要被检索的数据有多少被检索出来了；

综合评价指标-F-Measure

F-Measure是准确率和召回率的加权调和平均

【F1较高时，说明实验方法比较理想】

待续。。。

模型评价指标----准确率、精准率、召回率、F1、ROC曲线、AUC曲线
m0_37737957的博客
08-28 1355
1、精确率（Precision）与召回率（Recall） 2、Precision-recall 曲线、F1-score与准确率（accuracy） 3、ROC、AUC 4、Per-Region-Overlap（PRO）
机器学习指标：准确率、精准率、召回率、F1、ROC曲线、AUC曲线
大鹏的专栏
10-19 1481
还是拿之前的例子，总样本中，90% 是正样本，10% 是负样本。这里，TPR 只关注 90% 正样本中有多少是被真正覆盖的，而与那 10% 毫无关系，同理，FPR 只关注 10% 负样本中有多少是被错误覆盖的，也与那 90% 毫无关系，所以可以看出：如果我们从实际表现的各个结果角度出发，就可以避免样本不平衡的问题了，这也是为什么选用 TPR 和 FPR 作为 ROC/AUC 的指标的原因。举个简单的例子，比如在一个总样本中，正样本占 90%，负样本占 10%，样本是严重不平衡的。这样不利于模型的学习。
机器学习效果评价指标综述（准确率，精确率，召回率，F值，etc.）
zd_lynn的博客
12-13 1933
1.准确率、精确率、召回率和 F 值是在统计待考察对象集体后，得出的重要评价指标。 不妨看看这些指标的定义：    TP-将正类预测为正类    FN-将正类预测为负类    FP-将负类预测位正类    TN-将负类预测位负类  准确率（正确率）=所有预测正确的样本/总的样本  =（TP+TN）/总样本  精确率=  将正类预测为正类 / 所有预测为正类 = TP/（TP+FP） ...
机器学习算法中的评价指标（准确率、召回率、F值、ROC、AUC等）
dnjylhv2296的博客
12-07 1098
参考链接：https://www.cnblogs.com/Zhi-Z/p/8728168.html 具体更详细的可以查阅周志华的西瓜书第二章，写的非常详细~ 一、机器学习性能评估指标 1.准确率(Accurary) 准确率是我们最常见的评价指标，而且很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好。 准确率确实是一个很好很直观的评价...
机器学习模型的评估：召回率recall_score
最新发布
天涯雨的博客
06-19 1043
机器学习模型的评估：召回率recall_score
推荐系统的评价指标（1）：准确率与召回率
burstone的专栏
11-10 1773
推荐系统的评价指标是用来衡量推荐系统性能的重要工具，它们可以帮助我们了解推荐系统的效果，并指导系统的优化和改进。一些常用的推荐系统评价指标包括准确率、召回率、MAP、NDCG等。
评价指标（一）精确率，召回率，F1-score
weixin_44708254的博客
09-19 1915
先来讲一下精确率(Precision)和准确率(Recall)，首先要明确一点，精确率不等于准确率（Accuracy），两者是不同的，后面也会讲到准确率。很多时候，模型不只关心其中某个指标，因此需要平衡精确率和召回率，因此就有了F1-score，F1值是精确率和召回率的调和均值。识别成狗的有75张，正确识别的55张，识别成猫的25张，正确的15张，那么关系表就如下。也就是说识别成狗的样本里，正确的比例，例子里就等于55/(55+20)假如我们正在做猫狗的二分类识别任务，假设狗是正样本，猫是负样本，
衡量机器学习算法的准确性标准
OYY_90的博客
10-11 4323
摘要： 数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)简介。 引言： 在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。 业内目前常常采用的评价指标有准确率(Precision)、召回率(Recall)、F值(F-Measure)等，下图是不同机器学习算法的评价指标。下文讲对其中某些指标做简要介绍...
机器学习算法五之 目标检测评价指标 IOU 准确率 召回率等
yohnyang的博客
08-29 1911
机器学习算法五之 目标检测评价指标 IOU 准确率 召回率等
【机器学习评价指标 准确率 召回率 F1-score F2-score】
qq_41554955的博客
10-05 2378
机器学习评价指标
机器学习-分类评价指标.pdf
07-27
分类评价指标用于评估分类模型的性能，常用的分类评价指标包括以下几种： 准确率（Accuracy）：准确率是分类正确的样本数与总样本数之比。它适用于数据类别分布均衡的情况，但对于不平衡数据集来说可能会给出误导性...
详细讲解准确率、召回率和综合评价指标
weixin_30755709的博客
07-22 284
为了对实验结果进行评价，用到准确率、召回率和F值，下面对此进行详细介绍。 1、准确率与召回率（Precision & Recall） 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的...
机器学习 | 准确率、召回率、精准率、特异度傻傻分不清？ROC曲线怎么看？一篇文章帮你搞定
Huiwen18的博客
04-27 2万+
提高召回率是为了少漏报；提高精准率是为了少错报。ROC曲线纵轴为真正率，横轴为假正率
准确率、召回率和综合评价指标
weixin_30832143的博客
07-16 400
最近在准备比赛，由于比赛涉及到准确率，召回率和综合评价指标，虽然以前都看过，但是突然间忘了，显得很是尴尬，所以写篇博客来帮自己做一下笔记。 1.基本概念 准确率和召回率这两个通常是此消彼长的（trade off），很难兼得。很多时候用参数来控制，通过修改参数则能得出一个准确率和召回率的曲线（ROC），这条曲线与x和y轴围成的面积就是AUC（ROC Area）。AUC可以综合衡量一个...
机器学习基础---分类与检测的评价指标---AP，mAP，PR曲线
xys430381_1的专栏
06-04 1万+
AP和mAP是图像分类任务中的评价方法。 AP 首先，AP也是对所有图片内的某一类来说的。 AP的计算方法： 1、首先使用训练好的模型获得所有测试样本的confideutnce score，每个类别（如person、car等）都会获得一组confidence score，假设现在共有20个测试样本，如下给出这20个样本的id、confidence score、真实标签ground truth la...
机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
热门推荐
小太阳~
04-26 30万+
以下第一部分内容转载自：机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)是怎么一回事摘要：数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)简介。 引言：在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。业内目前常常采用的评价指标有准确率(Precision)、召
机器学习、深度学习评价指标汇总：TP、TN、FP、FN、AP、mAP、IoU、mAP@3、Prec@10、 Acc@10
buyaotutou的博客
10-10 2411
真正例 (True Positive, TP)模型正确地将正类（例如，某种疾病存在）预测为正类的实例数量。假正例 (False Positive, FP)模型错误地将负类（例如，某种疾病不存在）预测为正类的实例数量。这通常被称为“误报”。真负例 (True Negative, TN)模型正确地将负类预测为负类的实例数量。假负例 (False Negative, FN)模型错误地将正类预测为负类的实例数量。这通常被称为“漏报”。真正例和真负例反映了模型的正确预测能力。假正例和假负例。
二、机器学习模型评估
小石小石摩西摩西
07-21 3万+
二、机器学习模型评估 2.1 模型评估：基本概念 错误率(Error Rate) 预测错误的样本数aa占样本总数的比例mm E=am E=\frac{a}{m} E=ma​ 准确率(Accuracy) 准确率=1-错误率准确率=1−错误率 误差(Error) 学习器的实际预测输出与样本的真实输出之间的差异 训练误差(Training Error)或经验误差(Empirical Error) 学习器在训练集上的误差 泛化误差(Generalization Error) 学
衡量模型的性能和准确性--九五小庞
qq_37241964的博客
01-22 981
这些指标是机器学习和人工智能中常用的评估标准。
机器学习课程：精确率与准确率的深入理解
根据给定的文件信息，我们可以生成一系列关于机器学习中的精确率、准确率和F1分数的知识点，这些概念是评估分类模型性能的重要指标。此外，我们还会涉及人工智能和机器学习入门的基础知识，并提供一个学习路径的概念...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值