Recall(召回率);Precision(准确率);F1-Meature(综合评价指标);true positives;false positives;false negatives.

Posted hudongni1

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Recall(召回率);Precision(准确率);F1-Meature(综合评价指标);true positives;false positives;false negatives.相关的知识,希望对你有一定的参考价值。

Recall(召回率);Precision(准确率);F1-Meature(综合评价指标);在信息检索(如搜索引擎)、自然语言处理和检测分类中经常会使用这些参数。

Precision:被检测出来的信息当中正确的或者相关的(也就是你想要的)信息中所占的比例(TP占预测总正样本的比例)
Recall:所有正确的信息或者相关的信息(wanted)被检测出来的比例(TP占真实总正样本数的比例)
 
 
表格中的翻译比较重要,可以帮助理解。
true positives (纳真)                     false positives(纳伪)=误报
false negatives(去真)=漏报       true negatives  (去伪)
其中false positives(纳伪)也通常称作误报,false negatives也通常称作漏报!
Precision =  tp/(tp + fp);
Recall = tp / (tp + fn).
同样还有另外两个定义:
    \\mbox{True Negative Rate}=\\frac{tn}{tn+fp} \\,
    \\mbox{Accuracy}=\\frac{tp+tn}{tp+tn+fp+fn} \\,
 
然而在实际当中我们当然希望检索的结果P越高越好,R也越高越好;事实上这两者在某些情况下是矛盾的。比如,我们只搜出了一个结果,且是准确的,那么P就是100%,但是R就很低;而如果我们把所有结果都返回,那么必然R是100%,但是P很低。因此在不同的场合中需要自己判断希望P比较高还是R比较高。如果是做实验,可以绘制Precision-Recall曲线来帮助分析。
 
F-Measure是Precision和Recall加权调和平均:

 F = \\frac{(a^2+1)P*R} {a^2(P+R)} \\hfill (3)

当参数a=1时,就是最常见的F1了:
 F1 = \\frac{2PR} {P+R} \\hfill (4)

很容易理解,F1综合了P和R的结果,当F1较高时则比较说明实验方法比较理想。

 

以上是关于Recall(召回率);Precision(准确率);F1-Meature(综合评价指标);true positives;false positives;false negatives.的主要内容,如果未能解决你的问题,请参考以下文章

准确率(precision)与召回率(recall)

系统评测指标—准确率(Precision)召回率(Recall)F值(F-Measure)

精度评定中的准确率(Precision)和召回率(Recall)

准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。

准确率accuracy精确率precision和召回率recall

推荐系统评测指标—准确率(Precision)召回率(Recall)F值(F-Measure)