Precision,Recall,F1score,Accuracy的理解
2017-08-23 08:17
351 查看
Precision,Recall,F1score,Accuracy四个概念容易混淆,这里做一下解释。
假设一个二分类问题,样本有正负两个类别。那么模型预测的结果和真实标签的组合就有4种:TP,FP,FN,TN,如下图所示。这4个分别表示:实际为正样本你预测为正样本,实际为负样本你预测为正样本,实际为正样本你预测为负样本,实际为负样本你预测为负样本。
那么Precision和Recall表示什么意思?一般Precision和Recall都是针对某个类而言的,比如正类别的Recall,负类别的Recall等。如果你是10分类,那么可以有1这个类别的Precision,2这个类别的Precision,3这个类别的Recall等。而没有类似全部数据集的Recall或Precision这种说法。
正样本的Precision表示你预测为正的样本中有多少预测对了,如下公式。
正样本的Recall表示真实标签为正的样本有多少被你预测对了,如下公式。二者的差别仅在于分母的不同。
还有一个概念:Accuracy,表示你有多少比例的样本预测对了,公式如下,分母永远是全部样本的数量,很好理解。很容易扩展到多类别的情况,比如10分类,那么分子就是第一个类别预测对了多少个+第二个类别预测对了多少个+…+第十个类别预测对了多少个。
F1score的计算是这样的:1/F1score = 1/2*(1/recall + 1/precision),简单换算后就成了:F1score=2*recall*precision/(recall+precision)。同样F1score也是针对某个样本而言的。一般而言F1score用来综合precision和recall作为一个评价指标。还有F1score的变形,主要是添加一个权重系数可以根据需要对recall和precision赋予不同的权重。
假设一个二分类问题,样本有正负两个类别。那么模型预测的结果和真实标签的组合就有4种:TP,FP,FN,TN,如下图所示。这4个分别表示:实际为正样本你预测为正样本,实际为负样本你预测为正样本,实际为正样本你预测为负样本,实际为负样本你预测为负样本。
那么Precision和Recall表示什么意思?一般Precision和Recall都是针对某个类而言的,比如正类别的Recall,负类别的Recall等。如果你是10分类,那么可以有1这个类别的Precision,2这个类别的Precision,3这个类别的Recall等。而没有类似全部数据集的Recall或Precision这种说法。
正样本的Precision表示你预测为正的样本中有多少预测对了,如下公式。
正样本的Recall表示真实标签为正的样本有多少被你预测对了,如下公式。二者的差别仅在于分母的不同。
还有一个概念:Accuracy,表示你有多少比例的样本预测对了,公式如下,分母永远是全部样本的数量,很好理解。很容易扩展到多类别的情况,比如10分类,那么分子就是第一个类别预测对了多少个+第二个类别预测对了多少个+…+第十个类别预测对了多少个。
F1score的计算是这样的:1/F1score = 1/2*(1/recall + 1/precision),简单换算后就成了:F1score=2*recall*precision/(recall+precision)。同样F1score也是针对某个样本而言的。一般而言F1score用来综合precision和recall作为一个评价指标。还有F1score的变形,主要是添加一个权重系数可以根据需要对recall和precision赋予不同的权重。
相关文章推荐
- 理解准确率(accuracy)、精度(precision)、查全率(recall)、F1
- 召回率 Recall、精确度Precision、准确率Accuracy、虚警、漏警等分类判定指标
- 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- {Reship}Precision, Accuracy & Recall
- 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- 机器学习中的 precision、recall、accuracy、F1 Score
- 准确率(accuracy),精确率(Precision),召回率(Recall)和综合评价指标(F1-Measure )
- 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- accuracy、precision、recall、F1、ROC等指标
- 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- 机器学习——准确率、精度、召回率和F1分数(Machine Learning - Accuracy, Precision, Recall, F1-Score)
- 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- 准确率(accuracy)、精确率(precision)、召回率(recall)
- ROC曲线、AUC、Precision、Recall、F-measure理解及Python实现
- 今天的Coursera测验做了三次才对这说明对Precision和Recall的理解有问题
- 机器学习中的 precision、recall、accuracy、F1 Score