您的位置:首页 > 产品设计 > UI/UE

Recall(召回率);Precision(准确率);F1-Meature(综合评价指标);true positives;false positives;false negatives..

2012-11-23 14:08 423 查看
Recall(召回率);Precision(准确率);F1-Meature(综合评价指标);

在信息检索(如搜索引擎)、自然语言处理和检测分类中经常会使用这些参数,介于语言翻译上的原因理解难免出现误差,下面介绍下自己对他们的理解。

首先来个定义:
Precision:被检测出来的信息当中 正确的或者相关的(也就是你想要的)信息中所占的比例;
Recall:所有正确的信息或者相关的信息(wanted)被检测出来的比例。
F1-Meature后面定义。

查了资料都习惯使用四格图来解释,来个易懂的四格图:

正确的、相关的(wanted)不正确的、不相关的
检测出来的
true positives (纳真tp)
false positives(纳伪fp)
未检测出来的
false negatives(去真fn)
true negatives (去伪tn)
表格中的翻译比较重要,可以帮助理解。
true positives (纳真) false positives(纳伪)
false negatives(去真)true negatives (去伪)
其中false positives(纳伪)也通常称作误报,false negatives也通常称作漏报!

Precision = tp/(tp + fp);
Recall = tp / (tp + fn).
同样还有另外两个定义










然而在实际当中我们当然希望检索的结果P越高越好,R也越高越好;事实上这两者在某些情况下是矛盾的。比如,我们只搜出了一个结果,且是准确的,那么P就是100%,但是R就很低;而如果我们把所有结果都返回,那么必然R是100%,但是P很低。因此在不同的场合中需要自己判断希望P比较高还是R比较高。如果是做实验,可以绘制Precision-Recall曲线来帮助分析。

F-Measure是Precision和Recall加权调和平均:




当参数a=1时,就是最常见的F1了:





很容易理解,F1综合了P和R的结果,当F1较高时则比较说明实验方法比较理想。


内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: 
相关文章推荐