精度、召回率、准确率、F1、ROC、AUC的理解

本文主要是介绍精度、召回率、准确率、F1、ROC、AUC的理解，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

精度（accuracy) 分类正确的样本数占总样本数的比例

错误率(error rate) 分类错误的样本数占总样本数的比例

通常来说精度(accuracy)不是一个好的性能指标，尤其是处理数据有偏差时候比如一类非常多，一类很少。

比如手写数字识别问题，只判断一副图片是不是5，由于5的图片只占百分之10左右，所以分类器总是预测图片不是5都会有90%左右的可能性是对的

混淆矩阵、准确率、召回率、F1

混淆矩阵

准确率（accuracy）

准确率 = (TP + TN) / 记录总数

正在上传…重新上传取消正在上传…重新上传取消

表示正确预测的样本占总样本的比例，准确率并不总是首选的指标，因为目标类别是不均衡的。大多数时候，TN样本远多于TP样本。举个例子，欺诈检测的数据集会包含99%的真实交易和1%的欺诈交易，如果模型预测所有的交易均为真实交易，那么准确率仍有99%。

关键是要找出关于正类别的性能，因此介绍如下几个指标。

举例：医生问诊，（真病人 + 真健康）/ 所有人

精度（precision）

表示正确预测出的正样本占所有预测为正样本的比例。

举例：真病人 / (真病人 + 假病人)

召回率

召回率 = TP / (TP + FN)

又称查全率，表示正确预测出的正样本占总正样本的比例，反映了模型预测正类别的性能。

举例：真病人 / (真病人 + 假健康)

精度和召回率不可兼得，增加精度会降低召回率，增加召回率会降低精度，因为保证精度，那么将会对预测结果严格筛选，这将导致部分正例被筛选淘汰，导致召回率降低。保证召回率，那么就会降低筛选的门槛，尽可能多的将正例筛选出来，那么就会有一些反例被筛选进去，导致精度下降。

也可以通过直接画出召回率对精度的曲线来进行观察，在其急剧下降之前根据需求选择合适点。

F1分数

F1分数是召回率和准确率的结合，使两者的调和平均，所谓调和平均就是会给小的值更大的权重，而不是同等地位看待，所以若要F1值高，那么需要两者都高。

这篇关于精度、召回率、准确率、F1、ROC、AUC的理解的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！