机器学习 F1-Score, recall, precision
来源:互联网 发布:share软件 编辑:程序博客网 时间:2024/05/22 14:10
在机器学习,模式识别中,我们做分类的时候,会用到一些指标来评判算法的优劣,最常用的就是识别率,简单来说,就是
这里的
识别率有的时候过于简单, 不能全面反应算法的性能,除了识别率,还有一些常用的指标,就是我们要介绍的
F1-score, recall, precision.
在介绍这些概念之前,我们先来看一个二分类的问题,给定一组训练集:
这里假定
第一种情况,预测为正,实际也为正,我们称为 true positive (TP),第二种情况,预测为正,实际为负,我们称为 false positive (FP),第三种情况,预测为负,实际为正,称为false negative (FN),最后一种情况,预测为负,实际也为负,称为 true negative (TN),每一个样本只可能属于这四种情况中的某一种,不会有其它的可能。
很显然,给定一个测试集,我们可以得到如下的关系:
如果我们定义一个测试集中,正样本个数为
所以,我们常用的识别率
进一步,我们可以定义 recall ,precision, F1-score 如下所示:
可以看到,recall 体现了分类模型
比如我们常见的雷达预警系统,我们需要对雷达信号进行分析,判断这个信号是飞行器(正样本)还是噪声 (负样本), 很显然,我们希望系统既能准确的捕捉到飞行器信号,也可以有效地区分噪声信号。所以就要同时权衡recall 和 precision这两个指标,如果我们把所有信号都判断为飞行器,那 recall 可以达到1,但是precision将会变得很低(假设两种信号的样本数接近),可能就在 0.5 左右,那F1-score 也不会很高。
有的时候,我们对recall 与 precision 赋予不同的权重,表示对分类模型的偏好:
可以看到,当
参考来源:
https://en.wikipedia.org/wiki/Receiver_operating_characteristic
https://en.wikipedia.org/wiki/F1_score
- 机器学习 F1-Score, recall, precision
- 机器学习 F1-Score, recall, precision
- 机器学习中的Accuracy,Precision,Recall和F1-Score
- 机器学习中的 precision、recall、accuracy、F1 Score
- 机器学习中分类器的评价指标:召回率(recall), 精度(precision), 准确率(accuracy), F1分数(F1-score)
- Precision & Recall & F1
- Precision,Recall和F1
- Precision&&Recall&&F1
- 【机器学习基础】准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- ROC曲线以及评估指标F1-Score, recall, precision-整理版
- 精确率(Precision)、召回率(Recall)、F1-score、ROC、AUC
- [定义] Precision Recall F1 Accuracy
- 机器学习:查准率(Precision)和查全率(Recall)
- 机器学习中Precision,Recall的理解
- 【机器学习理论】第6部分 准确率Accuracy,精确度Precision,召回率Recall,F-Score
- tensorflow中precision,recall和F1
- 机器学习入门——recall与precision的解释
- 机器学习名词解释(train & valid & test)(accuracy & precision & recall)
- CSS中!important的使用
- HR必须具备的五项技能
- removeAttr删除所有已存在的样式
- JLink、JTAG接口详细图解
- 【剑指offer】之合并两有序单链表
- 机器学习 F1-Score, recall, precision
- Sublime text的使用
- Android开发者要懂得快捷键
- minibufexplorer导致gvim出现多个窗口的错误
- Android Studio上用真机调试时,无法查看Logcat日志信息解决方法
- 如何提高MATLAB的运算速度
- UML
- Android端立体电子相册的制作
- 深入分析 Java I/O 的工作机制