位置: IT常识 - 正文

准确率、精确率、召回率、F1-score(准确率精确率)

编辑：rootadmin

准确率、精确率、召回率、F1-score 准确率、精确率、召回率、F1-score概念理解准确率（accuracy）精确率（也叫查准率，precision)召回率（也叫查全率，recall）F1-score概念理解

推荐整理分享准确率、精确率、召回率、F1-score(准确率精确率)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:准确率,精确率,召回率,准确率,精确率,召回率怎么计算,准确率,精确率,召回率,F1,准确率,精确率,召回率,准确率,精确率,召回率,准确率,精确率,召回率公式,准确率精确率召回率F1的定义,准确率,精确率,召回率,F1,内容如对您有帮助，希望把文章链接给更多的朋友！

TP（True Positives)：真正例，预测为正例而且实际上也是正例；

FP（False Positives)：假正例，预测为正例然而实际上却是负例；

FN（false Negatives)：假负例，预测为负例然而实际上却是正例；

TN（True Negatives)：真负例，预测为负例而且实际上也是负例。

真实值（True）真实值（False)预测值（Positive）真正例（TP）假正例（FP）预测值（Negative）假负例（FN）真负例（TN）准确率（accuracy）

所有预测正确的样本（包含正例或负例均预测正确，即正例预测为正TP或负例预测为负TN）占总样本的比例。

accuracy=TP+TNTP+FP+FN+TNaccuracy = \dfrac{TP+TN}{TP+FP+FN+TN}accuracy=TP+FP+FN+TNTP+TN 虽然准确率能够判断总的正确率，但是在样本不均衡的情况下，并不能作为很好的指标来衡量结果。在样本不平衡的情况下，得到的高准确率没有任何意义，此时准确率就会失效。

精确率（也叫查准率，precision)

预测为正的正例样本与全部预测为正例的样本（对于预测而言，包括真正例TP，假正例FP）的比值。即正确预测为正的占全部预测为正的比例，（真正正确的占所有预测为正的比例） precision=TPTP+FPprecision= \dfrac{TP}{TP+FP}precision=TP+FPTP

我们关心的主要部分是正例，所以查准率就是相对正例的预测结果而言，正例预测的准确度。直白的意思就是模型预测为正例的样本中，其中真正的正例占预测为正例样本的比例，用此标准来评估预测正例的准确度。精确率代表对正样本结果中的预测准确程度，准确率则代表整体的预测准确程度，包括正样本和负样本。

召回率（也叫查全率，recall）

预测为正的正例占全部实际为正例的样本（可能将实际正例预测为正例即真正例TP，也可能实际正例预测为负例即假负例FN）的比例（真正正确的占所有实际为正的比例）以实际样本为判断依据，实际为正例的样本中，被预测正确的正例占总实际正例样本的比例。 precision=TPTP+FNprecision= \dfrac{TP}{TP+FN}precision=TP+FNTP

F1-score

精确率和召回率互相影响，理想状态下肯定追求两个都高，但是实际情况是两者相互“制约”：追求精确率高，则召回率就低；追求召回率高，则通常会影响精确率。我们当然希望预测的结果精确率越高越好，召回率越高越好，但事实上这两者在某些情况下是矛盾的。这样就需要综合考虑它们，最常见的方法就是F-score。也可以绘制出P-R曲线图，观察它们的分布情况。 F1值为算数平均数除以几何平均数，且越大越好，将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。 F1=2∗precision∗recallprecision+recall=2TP2TP+FP+FNF_1= \dfrac{2*precision*recall}{precision+recall}=\dfrac{2TP}{2TP+FP+FN}F1=precision+recall2∗precision∗recall=2TP+FP+FN2TP 一般来说准确率和召回率呈负相关，一个高，一个就低，如果两个都低，一定是有问题的。一般来说，精确度和召回率之间是矛盾的，这里引入F1-Score作为综合指标，就是为了平衡准确率和召回率的影响，较为全面地评价一个分类器。F1是精确率和召回率的调和平均。F1-score越大说明模型质量更高。