准确率 召回率_机器学习tips（四）：精确率（precision）和召回率（recall）

精确率（precision）和召回率（recall）

混淆矩阵

• True Positive(真正, TP)：将正类预测为正类数.
• True Negative(真负 , TN)：将负类预测为负类数.
• False Positive(假正, FP)：将负类预测为正类数 → 误报 (Type I error).
• False Negative(假负 , FN)：将正类预测为负类数 → 漏报 (Type II error).

精确率(precision)定义为：

需要注意的是精确率(precision)和准确率(accuracy)是不一样的，

在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc 也有 99% 以上，没有意义。

召回率(recall,sensitivity,true positive rate)定义为：

此外，还有F1值，是精确率和召回率的调和均值，

精确率和准确率都高的情况下，F1值也会高。

此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为：

——END——

总结

以上是生活随笔为你收集整理的准确率 召回率_机器学习tips（四）：精确率（precision）和召回率（recall）的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。