准确率(Accuracy) 精确率(Precision) 召回率(Recall)和F1-Measure

标签：预测   call   数据集   pos   一个   code   类别   场景   measure   

先验知识

　　我们首先将数据的类别统一分为两类：正类和负类。例如：一个数据集中的数据一共有3类，小学生、中学生、高中生。我们的目标是预测小学生，那么标记为小学生的数据就是正类，标记为其他类型的数据都是负类。

　　数据有两种状态：测试集数据和预测结果数据。

　　对一批测试数据进行预测，结果可以分成四种。

• TP(True Positive): 原本是正类，预测结果为正类。(正确预测为正类)
• FP(False Positive): 原本是负类，预测结果为正类。(错误预测为正类)
• TN(True Negative): 原本是负类，预测结果为负类。(正确预测为负类)
• FN(False Negative): 原本是正类，预测结果为负类。(错误预测为负类)

准确率(Accuracy)

　　对于给定的测试数据集，分类器正确分类的样本数与样本总数之比，就称为准确率，即(TP+TN)/(TP+TN+FP+FN)

精确率(Precision)

　　在预测结果为正类的数据中，有多少数据被正确预测(原本就是正类)，即TP/(TP+FP)。

　　对应于检索中的查准率，检索出相关文档数/检索出的文档总数

召回率(Recall)

　　在测试集中为正类的数据中，有多少数据被正确预测(预测结果是正类)，即TP/(TP+FN)。

　　对应于检索中的查全率。检索出相关文档数/文档库中相关文档总数

F1-Measure

　　精确率和召回率的调和平均值：Accuracy * Precision * 2 / (Accuracy + Precision)

总结

　　理论上，数据预测的准确率和召回率越接近1，说明预测模型的效果越好。但是实际中也不一定，取决于场景更倾向于哪一种。例如我们去某搜索引擎搜索XX病，一共返回了10条结果，其中5条广告，5条有用的相关信息，那么准确率就是50%，而后台数据库中一共就5条有用的相关信息，召回率却是100%，所以大家就认为这个搜索引擎也能凑合用。

　　区别精确率和召回率主要记住他们是分母不同就好了，召回率是对应测试集中的正类数据而言，而准确率是对应预测结果为正类的数据而言。

准确率(Accuracy) 精确率(Precision) 召回率(Recall)和F1-Measure

标签：预测   call   数据集   pos   一个   code   类别   场景   measure   

原文地址：https://www.cnblogs.com/tianqizhi/p/9710530.html