Recall(召回率);Precision（准确率）;F1-Meature（综合评价指标）;true positives；false positives;false negatives.

时间：2016-04-06 23:09:55 阅读：383 评论：0 收藏：0 [点我收藏+]

标签：

Recall(召回率);Precision（准确率）;F1-Meature（综合评价指标）;在信息检索(如搜索引擎)、自然语言处理和检测分类中经常会使用这些参数。

Precision:被检测出来的信息当中正确的或者相关的（也就是你想要的）信息中所占的比例(预测的正样本数占总样本的比例)；

Recall：所有正确的信息或者相关的信息(wanted)被检测出来的比例(总样本中的正样本数占预测总样本数的比例)。

表格中的翻译比较重要，可以帮助理解。

true positives (纳真) false positives（纳伪）=误报

false negatives（去真）=漏报 true negatives (去伪)

其中false positives（纳伪）也通常称作误报，false negatives也通常称作漏报！

Precision = tp/(tp + fp);

Recall = tp / (tp + fn).

同样还有另外两个定义：

$技术分享$

然而在实际当中我们当然希望检索的结果P越高越好，R也越高越好；事实上这两者在某些情况下是矛盾的。比如，我们只搜出了一个结果，且是准确的，那么P就是100%，但是R就很低；而如果我们把所有结果都返回，那么必然R是100%，但是P很低。因此在不同的场合中需要自己判断希望P比较高还是R比较高。如果是做实验，可以绘制Precision-Recall曲线来帮助分析。

F-Measure是Precision和Recall加权调和平均：

$技术分享$

当参数a=1时，就是最常见的F1了：
$技术分享$

很容易理解，F1综合了P和R的结果，当F1较高时则比较说明实验方法比较理想。

Recall(召回率);Precision（准确率）;F1-Meature（综合评价指标）;true positives；false positives;false negatives.

标签：

原文地址：http://www.cnblogs.com/hudongni1/p/5361424.html

踩

(0)

评论一句话评论（0）

分享档案

更多>

2021年07月29日 (22)
2021年07月28日 (40)
2021年07月27日 (32)
2021年07月26日 (79)
2021年07月23日 (29)
2021年07月22日 (30)
2021年07月21日 (42)
2021年07月20日 (16)
2021年07月19日 (90)
2021年07月16日 (35)

周排行