机器学习中的数学原理——精确率与召回率-Toy模板网

这篇具有很好参考价值的文章主要介绍了机器学习中的数学原理——精确率与召回率。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

在Yolov5训练完之后会有很多图片，它们的具体含义是什么呢？

通过这篇博客，你将清晰的明白什么是精确率、召回率。这个专栏名为白话机器学习中数学学习笔记，主要是用来分享一下我在机器学习中的学习笔记及一些感悟，也希望对你的学习有帮助哦！感兴趣的小伙伴欢迎私信或者评论区留言！这一篇就更新一下《白话机器学习中的数学——精确率与召回率》**

一、计算公式

1. 精确率
机器学习中的数学原理——精确率与召回率
2.召回率

3. F值

二、详细分析

2.1精确率

在上一篇文章中，我们已经知道了精度的计算公式：
机器学习中的数学原理——精确率与召回率
一般来说，只要计算出这个 Accuracy 值，基本上就可以掌握分类结果整体的精度了。但是有时候只看这个结果会有问题，所以还有别的指标。 比如下面这个例子：
假设图中的圆点是 Positive 数据、叉号是Negative 数据，我们来考虑一下数据量极其不平衡的情况。
机器学习中的数学原理——精确率与召回率
假设有 100 个数据，其中 95 个是 Negative。那么，哪怕出现模型把数据全部分类为 Negative 的极端情况，Accuracy 值也为 0.95，也就是说模型的精度是 95%。但是不管精度多高，一个把所有数据都分类为 Negative 的模型，不能说它是好模型吧？遇到这种情况，只看整体的精度看不出来问题。
所以要引入别的指标。这些指标稍微有点复杂，结合具体的数据来看更好理解，所以我们用这个例子来说明吧：
机器学习中的数学原理——精确率与召回率

这个例子看上去对 Positive 数据分类得不够好。首先我们来看第一个指标——精确率。它的英文是 Precision。

这个指标只关注 TP 和 FP。根据表达式来看，它的含义是在被分类为 Positive 的数据中，实际就是 Positive 的数据所占的比例。代入数值来计算看看。
机器学习中的数学原理——精确率与召回率
这个值越高，说明分类错误越少。 拿这个例子来说，虽然被分类为 Positive 的数据有 3 个，但其中只有 1 个是分类正确的。所以计算得出的精确率很低。

2.2召回率

还有一个指标是召回率，英文是 Recall。
机器学习中的数学原理——精确率与召回率
把精确率分母上的 FP 换成 FN 就是它了。这个指标只关注 TP 和 FN。根据表达式来看，它的含义是在Positive 数据中，实际被分类为 Positive 的数据所占的比例：

我们运用公式可以计算出来当前的召回率：
机器学习中的数学原理——精确率与召回率
这个值越高，说明被正确分类的数据越多。 拿这个例子来说，虽然 Positive 数据共有 5 个，但只有 1 个被分类为 Positive。所以计算得出的召回率也很低。
基于这两个指标来考虑精度是比较好的。 精确率和召回率都很高的模型就认为是一个好模型，但是在实际情况下，精确率和召回率会一个高一个低，需要我们取舍。文章来源地址https://www.toymoban.com/news/detail-406529.html