精確率（precision）和召回率（recall）

混淆矩陣

• True Positive(真正, TP)：將正類預測為正類數.
• True Negative(真負 , TN)：將負類預測為負類數.
• False Positive(假正, FP)：將負類預測為正類數 → 誤報 (Type I error).
• False Negative(假負 , FN)：將正類預測為負類數 → 漏報 (Type II error).

精確率(precision)定義為：

需要注意的是精確率(precision)和準確率(accuracy)是不一樣的，

在正負樣本不平衡的情況下，準確率這個評價指標有很大的缺陷。比如在互聯網廣告里面，點擊的數量是很少的，一般只有千分之幾，如果用acc，即使全部預測成負類（不點擊）acc 也有 99% 以上，沒有意義。

召回率(recall,sensitivity,true positive rate)定義為：

此外，還有F1值，是精確率和召回率的調和均值，

精確率和準確率都高的情況下，F1值也會高。

此外還有F2分數和F0.5分數。F1分數認為召回率和精確率同等重要，F2分數認為召回率的重要程度是精確率的2倍，而F0.5分數認為召回率的重要程度是精確率的一半。計算公式為：

——END——

總結

以上是生活随笔為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）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。