准确率(Accuracy) 精确率(Precision) 召回率(Recall)和F1-Measure

先验知识

我们首先将数据的类别统一分为两类:正类负类。例如:一个数据集中的数据一共有3类,小学生、中学生、高中生。我们的目标是预测小学生,那么标记为小学生的数据就是正类,标记为其他类型的数据都是负类。

数据有两种状态:测试集数据预测结果数据

对一批测试数据进行预测,结果可以分成四种。

  • TP(True Positive): 原本是正类,预测结果为正类。(正确预测为正类)
  • FP(False Positive): 原本是负类,预测结果为正类。(错误预测为正类)
  • TN(True Negative): 原本是负类,预测结果为负类。(正确预测为负类)
  • FN(False Negative): 原本是正类,预测结果为负类。(错误预测为负类)

    准确率(Accuracy)

    对于给定的测试数据集,分类器正确分类的样本数与样本总数之比,就称为准确率,即(TP+TN)/(TP+TN+FP+FN)

    精确率(Precision)

    在预测结果为正类的数据中,有多少数据被正确预测(原本就是正类),即TP/(TP+FP)

对应于检索中的查准率检索出相关文档数/检索出的文档总数

召回率(Recall)

在测试集中为正类的数据中,有多少数据被正确预测(预测结果是正类),即TP/(TP+FN)

对应于检索中的查全率检索出相关文档数/文档库中相关文档总数

F1-Measure

精确率和召回率的调和平均值:Recall * Precision * 2 / (Recall + Precision)

总结

理论上,数据预测的准确率和召回率越接近1,说明预测模型的效果越好。但是实际中也不一定,取决于场景更倾向于哪一种。例如我们去某搜索引擎搜索XX病,一共返回了10条结果,其中5条广告,5条有用的相关信息,那么准确率就是50%,而后台数据库中一共就5条有用的相关信息,召回率却是100%,所以大家就认为这个搜索引擎也能凑合用。

区别精确率和召回率主要记住他们是分母不同就好了,召回率是对应测试集中的正类数据而言,而准确率是对应预测结果为正类的数据而言。

打赏一个呗

取消

感谢您的支持,我会继续努力的!

扫码支持
扫码支持
扫码打赏,一毛也是爱

打开支付宝扫一扫,即可进行扫码打赏哦