机器学习基础(五十三)—— 精确率与召回率(多分类问题精确率和召回率的计算)
来源:互联网 发布:嵇康 山涛 知乎 编辑:程序博客网 时间:2024/06/05 08:24
精确率(precision),召回率(recall)由混淆矩阵(confusion matrix)计算得来。
在信息检索中,精确率通常用于评价结果的质量,而召回率用来评价结果的完整性。
实际上,精确度(precision)是二元分类问题中一个常用的指标。
精确度就是标记为“正”,而确实是”正“的样本占所有标记为“正”的样本的比例。
和精确率一起出现的还有另一个指标召回率(recall),
- 在所有预测为正的样本中,确实为正的比例;
- 本身为正的样本中,被预测为正的比例
例如,假设数据集有 50 个样本,其中20个为正。分类器将 50 个样本中的 10 个标记为“正”(TP+FP=10),在这10个被标记为“正”的样本中,只有 4 个确实是“正“(TP=4),所以这里的精确度为 4/10 = 0.4,召回率为 4/20 = 0.2.
我么也可将这些概念,应用多分类问题,把每个类别单独视为”正“,所有其它类型视为”负“,考虑如下的混淆矩阵:
M = [ [14371, 6500, 9, 0, 0, 2, 316], [5700, 22205, 454, 20, 0, 11, 23], [0, 445, 3115, 71, 0, 11, 0], [0, 0, 160, 112, 0, 0, 0], [0, 888, 39, 2, 0, 0, 0], [0, 486, 1196, 30, 0, 74, 0], [1139, 35, 0, 0, 0, 0, 865]]
分别计算各个类别的精确率与召回率:
n = len(M)for i in range(n): rowsum, colsum = sum(M[i]), sum(M[r][i] for r in range(n)) try: print 'precision: %s' % (M[i][i]/float(colsum)), 'recall: %s' % (M[i][i]/float(rowsum)) except ZeroDivisionError: print 'precision: %s' % 0, 'recall: %s' %0
0 0
- 机器学习基础(五十三)—— 精确率与召回率(多分类问题精确率和召回率的计算)
- 分类问题的精确率和召回率 (准确率)
- 精确率与召回率
- 【机器学习】召回率,精确率和准确率
- 精确率和召回率
- 分类模型的精确率(precision)与召回率(recall)(Python)
- 【机器学习基础】准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- 精确率 召回率 F1(详细)
- 机器学习模型评价指标准确率召回率精确率
- 实习点滴(11)--TensorFlow快速计算“多分类问题”的混淆矩阵以及精确率、召回率、F1值、准确率
- 机器学习的精确率P,召回率R和F-score
- 准确率/精确率/召回率
- sklearn 精确率、召回率
- 准确率-精确率-召回率
- 机器学习性能评估指标(精确率、召回率、ROC、AUC)
- 机器学习性能指标精确率、召回率、F1值、ROC、PRC与AUC
- 准确率,精确率,召回率以及f1
- 准确率、精确率、召回率、f1
- iOS [UIApplcation sharedApplication].keyWindow.bounds 值为全0
- cuda介绍
- XML知识点总结
- \build\intermediates\res\xxx-stripped.ap_' specified for property 'resourceFile' does not exist
- Java ArrayList工作原理及实现
- 机器学习基础(五十三)—— 精确率与召回率(多分类问题精确率和召回率的计算)
- NSNotification通知
- 服务器运维
- [Drools]JAVA规则引擎 -- Drools
- useradd、userdel、passwd、groupadd、chgrp、chown、df、du、sort、wget
- QR_ENCODE_3.2 qrencode 二维码生成和识别
- 附加数据库.sql
- UICollectionView详解
- jeesite缓存问题