大家好,欢迎来到IT知识分享网。
转载自:机器学习中的Accuracy和Precision的区别
数量
对于一个二分类问题,我们定义如下指标:
:True Positive,即正确预测出的正样本个数
:False Positive,即错误预测出的正样本个数(本来是负样本,被我们预测成了正样本)
:True Negative,即正确预测出的负样本个数
:False Negative,即错误预测出的负样本个数(本来是正样本,被我们预测成了负样本)
指标
-
准确率(Accuracy) = (TP + TN) / 总样本 =(40 + 10)/100 = 50%。 定义是: 对于给定的测试数据集,分类器正确分类的样本数与总样本数之比。
True/Total -
精确率(Precision) = TP / (TP + FP) = 40/60 = 66.67%。它表示:预测为正的样本中有多少是真正的正样本,它是针对我们预测结果而言的。Precision又称为查准率。
TP/P (要选择一种类别为研究对象,如男生、如某一个类;40/(40+20)。 精确率很高,召回率很低举例:在数据集70个男生里,预测了一个男生,其他69全预测为女生【圈内左1右0】:1/1=100%) -
召回率(Recall) = TP / (TP + FN) = 40/70 = 57.14% 。它表示:样本中的正例有多少被预测正确了, 它是针对我们原来的样本而言的。Recall又称为查全率。
TP/ (TP+FN),选择一类为研究对象,男生:预测准确的40/groundtruth下该类总数70。
T都代表预测是否 对, PN都代表预测的结果。
免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/28213.html