自我理解：精度(precision)和召回(recall)-Toy模板网

这篇具有很好参考价值的文章主要介绍了自我理解：精度(precision)和召回(recall)。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。

精度是用于评估分类模型的一个重要指标。它反映了模型预测为正例的样本中，实际真正为正例样本的比例。
- 【注】正例样本指在二分类问题中，被标注为正类的样本。
  - 例如：在垃圾邮件分类任务中，正例样本就是真实的垃圾邮件。
精度的计算公式
- 精度 = 正确预测为正例的样本数 / 总预测为正例的样本数
- 例如，在二分类问题中，如果有100个样本被模型预测为正例，其中80个样本实际真为正例，20个样本被误判。
- 那么这个模型的精度为：80 / 100 = 80%。
- 也就是说，这个模型预测为正例的样本中，有80%实际是正例，20%是误报的负例。
精度反映了模型的预测结果中，正类样本所占的比例。它代表了模型的预测准确性和精确度。精度指标越高，说明模型的预测效果越好。
通俗解释
- 假设班上有50个学生，其中10个学生的数学成绩很好。现在老师让所有学生做一份数学测试，结果通过测试的数学好的学生有8个，通过测试的其他学生有5个。
- 那么此时，精度 = 测试通过的数学好学生数量 / 总共测试通过的学生数量 = 8 / (8 + 5) = 8 / 13 = 61.5%
- 精度反映了在全部测试通过的学生中，数学好的学生的比例。

召回是用于评估分类模型效果的一个重要指标。它衡量模型正确识别出正样本的比例。
召回率(recall)也称为真阳性率(True Positive Rate)或敏感度(Sensitivity)。
召回的计算公式
- 召回率 = 模型预测出的正例样本数 / 正例样本总数
- 例如，假设有100个正例样本，模型只预测出了其中的80个为正例。
- 那么这个模型的召回率为：80 / 100 = 80%
召回率反映了分类模型中，所有的正例样本中有多大比例被正确识别出来。它反应了模型检测正例的全面能力。
通俗解释
- 假设班上有50个学生，其中10个学生的数学成绩很好。现在老师让所有学生做一份数学测试，结果有8个数学成绩好的学生通过了测试。
- 那么此时，召回率 = 测试通过的数学好学生数量 / 全部数学好学生数量 = 8 / 10 = 80%
- 召回率反映了在全部的“数学好学生”中，有多大比例通过了测试。

假阳性率是用于评估分类模型效果的一个重要指标。它表示在所有实际负例中被模型错误预测为正例的比例。
假阳性率的计算公式
- 假阳性率 = 被模型错误预测为正例的样本数 / 反例样本总数
- 例如，假设有100个反例样本，模型只预测出其中80个为反例，其余20个预测为正例。
- 那么这个模型的假阳性率为：20 / 80 = 25%
假阳性率反映了分类模型在负例样本中误判为正例的程度，高FPR可能意味着模型对于负例的预测并不可靠。
通俗解释
- 假设有1000个人参加了测试，其中只有10人实际上患有这种罕见疾病（正例），而剩下的990人是健康的（反例）。从990名健康人中，有20人被错误地预测为患病了（假正例），而剩下的970人被正确地预测为健康（真反例）。
- 那么此时，假阳性率 = 被错误预测为患病的人 / 全部健康人 = 20 / 990 ≈ 2.02%
- 意味着模型错误地将健康的人预测为患病的比例为约2.02%。