标签：样本 机器 recall 分类 precision TP 测试 评价 集上
文章目录
前言
我们知道机器学习分为回归问题和分类问题；同时，评价指标在模型训练和评价中占据着举足轻重的地位；本文主要介绍分类问题常见的四个评价指标，accuracy，precision， recall 和f1-score。在明确以上四个评价指标的定义和用途之前，我们需要知道四个概念；在二分类问题中，TP 是测试集上的样本为positive（正），我们的模型代入该测试集样本预测仍为正；TN 是测试集上的样本为negative（负），我们的模型代入该测试集样本预测仍为负；FP 是测试集上的样本为negative（负），我们的模型代入该测试集样本预测为正；FN 是测试集上的样本为positive（正），我们的模型代入该测试集样本仍为negative（负）；我们接下来用这四个指标来引入accuracy，precision，recall和f1-score的定义和用途。
一、accuracy
含义：在测试集上，预测对的样本占总样本的比例
公式：accuracy = (TP + TN)/(TP + TN + FP + FN)
二、precision
含义：在测试集上，预测对的正样本占总的预测为正样本的比例
公式：precision = TP/(TP + FP)
应用：只关注模型对负样本的预测能力；分值越高，对负样本辨别能力越强。
三、recall
含义：在测试集上，预测对的正样本占总的本身标签为正样本的比例
公式：recall = TP/(TP + FN)
应用：只关注模型对正样本的预测能力；分值越高，对正样本辨别能力越强。
四、f1-score
含义：在测试集上，模型对正负样本的综合预测能力
公式：f1-score = 2precisionrecall/(precision + recall)
应用：关注模型的综合预测能力；分值越高，模型越稳健。
总结
以上就是对分类问题四个指标的总结，如果你对回归问题的评价指标感兴趣，请看博文机器学习回归问题评价指标
标签：样本,机器,recall,分类,precision,TP,测试,评价,集上 来源： https://blog.csdn.net/dylan_young/article/details/121659139
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。