1. 分類模型評判指標： Precision、Recall 和 F1Score

對于分類而言，最簡單也是最常見的驗證指標：

• 精準率（ Precision）
• 召回率（ Recall），
• 為了綜合這兩個指標并得出量化結果，又發明了 F1Score。

對一個分類模型而言，給它一個輸入，它就會輸出一個標簽，這個標簽就是它預測的當前輸入的類別。

假設數據 data1 被模型預測的類別是 Class_A 。那么，對于 data1 就有兩種可能性： data1 本來就是 Class_A （預測正確）， data1 本來不是 Class_A （預測錯誤）。

當一個測試集全部被預測完之后，相對于 Class_A ，會有一些實際是 Class_A 的數據被預測為其他類，也會有一些其實不是 Class_A 的，被預測成 Class_A ，這樣的話就導致了下面這個結果：

• 精準率： Precision=TP/（TP+FP） ，即在所有被預測為 Class_A 的測試數據中，預測正確的比率。

• 召回率： Recall=TP/（TP+FN） ，即在所有實際為 Class_A 的測試數據中，預測正確的比率。

• F1Score = 2*(Precision * Recall)/(Precision + Recall)

顯然上面三個值都是越大越好，但往往在實際當中 P 和 R 是矛盾的，很難保證雙高。

此處需要注意， P 、 R 、 F1Score 在分類問題中都是對某一個類而言的。

也就是說假設這個模型總共可以分 10 個類，那么對于每一個類都有一套獨立的 P 、 R 、 F1Score 的值。衡量模型整體質量，要綜合看所有 10 套指標，而不是只看一套。

總結

以上是生活随笔為你收集整理的机器学习模型质量评价标准 — 精准率、召回率的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。