标签：检索 及格 Recall 样本 本例 Precision 查全率 查准率
目录
在机器学习中，对于一个模型的性能评估是必不可少的。准确率(Accuracy)、查准率(Precision)、查全率(Recall)是常见的基本指标。
为了方便说明，假设有以下问题场景：
一个班有50人，在某场考试中有40人及格，10人不及格。
现在需要根据一些特征预测出所有及格的学生。某一模型执行下来，给出了39人，其中37人确实及格了，剩下2人实际上不及格。
样本
要了解这些指标的含义，首先需要了解两种样本：
- 正样本：即属于某一类（一般是所求的那一类）的样本。在本例中是
及格的学生。- 负样本：即不属于这一类的样本。在本例中是
不及格的学生。
识别结果
于是我们可以得到下面一张表：
| 正类 | 负类 | |
|---|---|---|
| 被检索 | True Positive | False Positive |
| 未检索 | False Negative | True Negative |
- TP：被检索到正样本，实际也是正样本（正确识别）
在本例表现为：预测及格，实际也及格。 - FP：被检索到正样本，实际是负样本（一类错误识别）
在本例表现为：预测及格，实际不及格。 - FN：未被检索到正样本，实际是正样本。（二类错误识别）
在本例表现为：预测不及格，实际及格了。 - TN：未被检索到正样本，实际也是负样本。（正确识别）
在本例表现为：预测不及格，实际也不及格。
指标计算
有了上述知识，就可以计算各种指标了。
Accuracy（准确率）
分类正确的样本数 与 样本总数之比。即：(TP + TN) / ( ALL ).
在本例中，正确分类了45人（及格37 + 不及格8），所以 Accuracy = 45 / 50 = 90%.
Precision（精确率、查准率）
被正确检索的样本数 与 被检索到样本总数之比。即：TP / (TP + FP).
在本例中，正确检索到了37人，总共检索到39人，所以 Precision = 37 / 39 = 94.9%.
Recall （召回率、查全率）
被正确检索的样本数 与 应当被检索到的样本数之比。即：TP / (TP + FN).
在本例中，正确检索到了37人，应当检索到40人，所以 Recall = 37 / 40 = 92.5%.
为什么要不同的指标？
根据上边公式的不同，可以借此理解不同指标的意义。
准确率是最常用的指标，可以总体上衡量一个预测的性能。但是某些情况下，我们也许会更偏向于其他两种情况。
「宁愿漏掉，不可错杀」
在识别垃圾邮件的场景中可能偏向这一种思路，因为我们不希望很多的正常邮件被误杀，这样会造成严重的困扰。
因此，Precision 将是一个被侧重关心的指标。
「宁愿错杀，不可漏掉」
在金融风控领域大多偏向这种思路，我们希望系统能够筛选出所有有风险的行为或用户，然后交给人工鉴别，漏掉一个可能造成灾难性后果。
因此，Recall 将是一个被侧重关心的指标。
综合评价 (F-Score)
更多时候，我们希望能够同时参考 Precision 与 Recall，但又不是像 Accuracy 那样只是泛泛地计算准确率，此时便引入一个新指标 F-Score，用来综合考虑 Precision 与 Recall.
其中 β 用于调整权重，当 β=1 时两者权重相同，简称为 F1-Score.
若认为 Precision 更重要，则减小 β，若认为 Recall 更重要，则增大 β.
链接：https://www.jianshu.com/p/8b7324b0f307
标签：检索,及格,Recall,样本,本例,Precision,查全率,查准率 来源： https://blog.csdn.net/weixin_43135178/article/details/116070041
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。