溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇內容介紹了“Precision和Recall怎么使用”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！
首先我們來看看下面這個混淆矩陣：
| pred_label/true_label | Positive | Negative |
|---|---|---|
| Positive | TP | FP |
| Negtive | FN | TN |
如上表所示，行表示預測的label值，列表示真實label值。TP，FP，FN，TN分別表示如下意思：
TP（true positive）：表示樣本的真實類別為正，最后預測得到的結果也為正；
FP（false positive）：表示樣本的真實類別為負，最后預測得到的結果卻為正；
FN（false negative）：表示樣本的真實類別為正，最后預測得到的結果卻為負；
TN（true negative）：表示樣本的真實類別為負，最后預測得到的結果也為負.
根據以上幾個指標，可以分別計算出Accuracy、Precision、Recall（Sensitivity，SN），Specificity（SP）。
Accuracy：表示預測結果的精確度，預測正確的樣本數除以總樣本數。
precision，準確率，表示預測結果中，預測為正樣本的樣本中，正確預測為正樣本的概率；
recall，召回率，表示在原始樣本的正樣本中，最后被正確預測為正樣本的概率；
specificity，常常稱作特異性，它研究的樣本集是原始樣本中的負樣本，表示的是在這些負樣本中最后被正確預測為負樣本的概率。
在實際當中，我們往往希望得到的precision和recall都比較高，比如當FN和FP等于0的時候，他們的值都等于1。但是，它們往往在某種情況下是互斥的，比如這種情況，50個正樣本，50個負樣本，結果全部預測為正，那么它的precision為1而recall卻為0.5.所以需要一種折衷的方式，因此就有了F1-score。
F1-score表示的是precision和recall的調和平均評估指標。
此外還有MCC：
“Precision和Recall怎么使用”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
