你能解释一下提供的例子中的分类报告（召回率和精度）吗？

Posted 2023-03-12

【中文标题】你能解释一下提供的例子中的分类报告（召回率和精度）吗？

【英文标题】：Can you explain the classification report (Recall and Precision) on provided example?

【发布时间】：2020-08-10 14:12:06

【问题描述】：

现在我知道很多人都问过这个问题，但是，我仍然不太了解 sklearn 库输出的准确率和召回率分数。这是示例输出：

如果可能的话，有人可以用你能用的最简单的语言以下列方式回答我的问题： - 精度 0.95 False 对模型意味着什么？ - 精度 0.56 True 对模型意味着什么？ - 召回 0.88 False 对模型意味着什么？ - 召回 0.76 True 对模型意味着什么？

提前致谢！

【参考方案1】：

您有两个不同的类别：True 或 False。想象一下，你有苹果一样的真和橙子一样的假。

召回率是一个指标，可让我们深入了解所检索到的正确值的总数数量与您的数据集/数据库。

因此，假设您有一张包含 30 个苹果的图片。此外，您还有一个对象检测系统，其目的是识别/检测图片中的苹果。

现在，您的对象检测系统绘制了 50 个边界框（图片中的矩形），30 个围绕所有苹果，20 个围绕一些看起来像这些苹果的橙子。

回忆，在这种情况下，由公式 TP / (TP + FN) 给出，即真阳性 / 真阳性 + 假阴性，是 1.0！当然，您的召回率为 1.0（或 100%，尽管统计上准确率和召回率的正确值介于 0 和 1 之间），因为它检测到了您所有的苹果！

因此，在您的示例中，TP = 30, FN = 0（图像中没有遗漏苹果）。所以30/(30 + 0) = 1.0

但是，您对结果不满意，因为即使您的对象检测系统正确识别出图像中的所有苹果，它也认为 20 个橙子是苹果。

精度指标来了。 Precision 让我们能够深入了解已经检索到的苹果（而不是像 Recall 那样针对整个数据库），并回答以下问题：“在已经识别为苹果的苹果中，有多少是真正的苹果？”

我们可以很容易地看到，精度会惩罚机器学习模型的误报，在我们的例子中，误报是被识别为苹果的橙子。

在您的情况下，您将拥有TP /(TP + FP) === 30 / (30 + 20 <---oranges considered apples))

因此，您的精度为 0.6。

总结一下解释：召回是关于数据库中的总数的事后诸葛亮

Recall 回答了以下问题：（假设您有 30 个苹果）“在这 30 个苹果中，您检索/识别了多少个？”）。

另一方面，精确度为我们提供有关已检索到的“苹果”的信息。

Precision 回答了这个问题：“在已经检索到并考虑过的苹果示例中，有多少实际上是苹果？”

精确度与误报相关，而召回与误报相关。