1
machine learning笔记：准确率和召回率
source link: https://gsy00517.github.io/machine-learning20200130121842/
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
machine learning笔记：准确率和召回率
machine learning笔记：准确率和召回率
在二分类问题中，我们常用准确率（precision）和召回率（recall）来进行评价。实际上，许多问题都可以转变为二分类问题。对于这其中的一些概念，之前都是死记硬背，今天在看目标检测的评价指标时突然有一点理解，赶快写下来。
References：
参考文献：
[1]统计学习方法（第2版）
通常我们把关注的类称为正类，其它类称为负类。而分类器在测试数据集上的预测可能是正确的也可能是不正确的。由此就出现了四种情况。
TP：True Positive（真的正类），即把正类预测为正类的个数。
FN：False Negative（假的负类），即把正类预测为负类的个数。
FP：False Positive，即把负类预测为正类的个数。
TN：True Negative，即把负类预测为负类的个数。一般不关注这一项。
准确率和召回率
由此我们可定义准确率为$P=\frac{TP}{TP+FP}$。
定义召回率为$R=\frac{TP}{TP+FN}$。
此外，还定义了$F_{1}$为准确率和召回率的调和均值，即$\frac{2}{F_{1}}=\frac{1}{P}+\frac{1}{R}$。可变换定义式求得$F_{1}$值。易得，当准确率和召回率都高时，$F_{1}$也会高。
我们可以结合下图来直观地理解一下。
结合上图和准确率与召回率地定义，由于一般在问题中我们只对我们预测的正类做标注，因此我觉得可以这样理解准确率和召回率：
准确率：预测出的结果中，有多少是正确的。
召回率：所有属于正类的目标中，有多少被正确地预测出来了。
碰到底线咯 后面没有啦
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK