机器学习评估指标详解：准确率、精确率、召回率和F1-score

机器学习评估指标详解：准确率、精确率、召回率和F1-score

引用

CSDN

1.

https://m.blog.csdn.net/Yaki_Duck/article/details/140681186

在机器学习和数据挖掘领域，评估模型的性能是至关重要的一步。准确率、精确率、召回率和F1-score是常用的评估指标，它们分别从不同的角度反映了模型的预测能力。本文将详细介绍这些指标的概念、计算方法及其相互关系。

一、TP、TN、FN、FP概念

在理解准确率、精确率和召回率之前，我们需要先了解四个基本概念：真正例（True Positives, TP）、真负例（True Negatives, TN）、假正例（False Positives, FP）和假负例（False Negatives, FN）。

• TP（True Positives）：真正例，即正例预测为真（预测为正例而且实际上也是正例）；
• FP（False Positives）：假正例，即负例预测为真（预测为正例然而实际上却是负例）；
• FN（False Negatives）：假负例，即正例预测为假（预测为负例然而实际上却是正例）；
• TN（True Negatives）：真负例，即负例预测为假（预测为负例而且实际上也是负例）。

二、准确率、精确率、召回率、F1-score计算

1. 准确率（Accuracy）

准确率是指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。其计算公式为：

$$
\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}
$$

2. 精确率（Precision）

精确率是指预测为真的正例样本（TP）与全部预测为真的样本（包括真正例TP和假正例FP）的比值。其计算公式为：

$$
\text{Precision} = \frac{TP}{TP + FP}
$$

3. 召回率（Recall）

召回率是指预测为真的正例（TP）占全部实际为正例的样本（包括真正例TP和假负例FN）的比例。其计算公式为：

$$
\text{Recall} = \frac{TP}{TP + FN}
$$

4. F1-score

精确率和召回率往往存在相互制约的关系：追求高精确率可能导致低召回率，追求高召回率可能影响精确率。因此，引入F1-score作为综合指标，以平衡精确率和召回率的影响。F1-score是精确率和召回率的调和平均数，其计算公式为：

$$
F1\text{-}score = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}
$$

F1-score越大，说明模型的综合性能越好。一般来说，准确率和召回率呈负相关，如果两个指标都很低，则说明模型存在严重问题。