标签：分类器 Recall 样本 Precision 准确率 Score 苹果 召回

精度评定中的准确率（Precision）和召回率（Recall）

在模式识别中，我们经常会使用到一些指标对目标识别或者影像分类的结果进行评价。

假设我们需要将一个样本集分类为苹果和非苹果两类，那么分类结果有四种情况：

第一种情况：True Positive，本来就是苹果被分类成苹果；

第二种情况：False Positive，本来不是苹果被分类成苹果；

第三种情况：False Negative，本来是苹果被分类成非苹果；

第四种情况：True Negative，本来不是苹果被分类成为非苹果。

True是指分类正确，False是指分类错误。

Positive是指被分类器分为苹果（正样本），Negative是指被分类器分为非苹果（负样本）。

这里我们引入三个指标来对分类器进行评价：

（1）准确率（Precision），又称“精度”、“正确率”；

（2）召回率（Recall），又称“查全率”；

（3）F1-Score，准确率和召回率的综合指标。

一般来说，准确率和召回率反映了分类器性能的两个方面，单一依靠某个指标并不能较为全面地评价一个分类器的性能。

假如分类器只将苹果特征十分明显、是苹果的概率非常高的样本分为苹果，其余的样本分为非苹果，此时该分类器的准确率就会非常的高，但是它因为将所有疑似苹果都错误分为非苹果，召回率变得非常低。

假如分类器将所有可能为苹果的样本全部划分为苹果，其余的样本为非苹果，此时该分类器的召回率会非常之高，但是它因为将所有可能为苹果的样本分为苹果时引入了许多错误，准确率不可能高。

引入F1-Score作为综合指标，就是为了平衡准确率和召回率的影响，较为全面地评价一个分类器。

有时候考虑到不同的需求，可能会更看重准确率或者召回率。这时我们可以引入F2-Score和F0.5-Score。包括F1-Score，这三个指标都来自以下定义，只是参数不同。

其中，F1-Score是指准确率和召回率一样重要；

F2-Score是指召回率比准确率重要一倍；

F0.5-Score是指准确率比召回率重要一倍

标签：分类器,Recall,样本,Precision,准确率,Score,苹果,召回
来源： https://www.cnblogs.com/glin-it/p/jing-du-ping-ding-zhong-de-zhun-que-lu-precision-h.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。