机器学习中常见的评价指标正确率(Accuracy)、召回率(Recall)、F-score

假设某水果老板有1000个西瓜,其中有800个是熟的,200个是不熟的。现在你要去买500个西瓜,你的目的当然是要买熟的西瓜啦。结果你买到的西瓜中有450个是熟的,50个是不熟的,现在我们要评价你识别西瓜的能力。怎么评价呢?当然是通过准确率、召回率、F-score来衡量啦。

准确率=450/(450+50)=90%

召回率=450/800=56.25%

F-score=90%*56.25%*2/(90%+56.25%)=69.23%

OK,算是算出来了,那么我们再做一下比较。假设是Mr_Q去买西瓜,Mr_Q买了600个西瓜,其中500个是熟的,100个是不熟的,那你跟Mr_Q谁更会选西瓜呢?我们来算一下Mr_Q的准确率、召回率、F-score。

准确率=500/(500+100)=83%

召回率=500/800=62.5%

F-score=83%*62.5%*2/(83%+62.5%)=71.3%

虽然你们两个买的数量不一样,但是我们还是要给你们分个高低的。我们当然是希望准确率和召回率越高越好啦,然鹅,现在的情况是你的准确率高于Mr_Q,但是召回率低于Mr_Q,怎么办?当然是看F-score谁比较高啦。为啥呢?因为F-score是综合准确率和召回率的评估指标,综合反应整体的指标。再说一下准确率和召回率吧,准确率是评估购买西瓜中熟西瓜所占比例;召回率是从关注领域(我们当然是关注熟西瓜啦,有800个哦)中,召回目标类别的比例。


最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成,浏览时请结合常识与多方信息审慎甄别。
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

友情链接更多精彩内容