64-Precision-Recall的平衡

最新推荐文章于 2022-11-04 23:02:35 发布
原创 最新推荐文章于 2022-11-04 23:02:35 发布 · 628 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了在逻辑回归中如何通过调整阈值来平衡精准率和召回率，并通过实例展示了两者之间的相互制约关系。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Precision-Recall的平衡

  上一篇博客介绍了在有一些场景我们可能更注重精准率，有一些场景可能更注重召回率。还有一些情况下，我们可能并不是特别偏向精准率和召回率，此时我们希望两者越大越好，此时我们就可以用 F 1 F1 F1 S c o r e Score Score 这样的指标来综合精准率和召回率这两个指标。那么我们怎么同时使这两者都特别的大呢？其实这样的目标有可能是实现不了的，因为精准率和召回率之间是互相矛盾的指标。如果想要精准率提高，召回率就会不可避免地下降；想要召回率提高，精准率就不可避免地下降。我们要找到的是一个精准率和召回率之间的平衡。

  之前我们学习逻辑回归算法时，提到了一个决策边界，当时我们的决策边界是：

在这里插入图片描述

  如果我们的样本点在决策边界的一侧我们就将它们分类为 1， 在决策边界的另一侧就将他们分类为 0。那么有的小伙伴就可能有疑问了，对于这条直线，我们为什么让它等于 0 呢？如果我设置任意一个常量 t h r e s h o l d threshold threshold，我们可不可以让 t h r e s h o l d threshold threshold 作为决策边界呢？

在这里插入图片描述
  如果 θ T ⋅ x b θ^T·x_b θT⋅xb​ 大于 t h r e s h o l d threshold threshold 的话，我们就分类为 1，小于 t h r e s h o l d threshold threshold 的话就将它分类为 0。这样其实也形成了一个决策边界。那么基于这样的想法，其实相当于为我们的逻辑回归算法引入了一个新的超参数。我们通过指定这个 t h r e s h o l d threshold threshold 相当于平移我们的决策边界对应的这根直线从而影响分类结果。

  下面我们就来看一下 t h r e s h o l d threshold threshold 取不同的值将会怎样影响我们的分类结果？

  我们用一个横轴代表 θ T ⋅ x b θ^T·x_b θT⋅xb​ 计算出来的值，为了不失一般性，我们将该轴取名为 s c o r e score score。我们在该轴上找到 0 这根直线，我们的回归算法就是以 0 作为阈值，如果 s c o r e score score 大于 0， 我们就将其分类为 1，如果 s c o r e score score 小于 0，就将其分类为 0。

在这里插入图片描述
  现在我们在该轴上分布若干个样本，样本由两种形状进行标识，星形是我们关注的事件，换句话说，就是分类为 1 的事件，圆圈代表分类为 0 的事件。

在这里插入图片描述
  现在这个图就表示出了，如果我们将 0 作为阈值的话，我们就把大于 0 的 5 个样本分类为 1，小于 0 的 7 个样本分类为 0。此时我们就可以算出我们的精准率和召回率。

在这里插入图片描述
  现在我们向右挪动阈值，相当于我们增大了 t h r e s h o l d threshold threshold 的值，此时我们再次计算精准率和召回率。

在这里插入图片描述
  我们发现精准率提高了，但是召回率却下降了。如果我们将 t h r e s h o l d threshold threshold 变小一些会发生什么？我们向左挪动我们的阈值，计算精准率和召回率。

在这里插入图片描述

  此时召回率提高了，精准率却下降了。从上图中就可以清楚的看到，随着精准率的升高，召回率在下降；随着召回率的升高，精准率在下降。所以精准率和召回率在互相牵制，它们是互相矛盾的一对变量。

编程实现

  下面我们再编程看一下这两者之间的关系。

  
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  
  我们再次用程序证明了精准率和召回率之间相互制约的关系，那么我们在实际运用的时候，怎么设置 t h r e s h o l d threshold threshold 呢？请听下回分解~~

  具体代码见 64 Precision-Recall的平衡.ipynb

机器学习：评价分类结果（Precision - Recall 的平衡、P - R 曲线）
ab1213456的博客
08-01 1696
一、Precision - Recall 的平衡 　1）基础理论 调整阈值的大小，可以调节精准率和召回率的比重； 阈值：threshold，分类边界值，score > threshold 时分类为 1，score < threshold 时分类为 0； 阈值增大，精准率提高，召回率降低；阈值减小，精准率降低，召回率提高； 精准率和召回率是相...
分类问题的指标权衡（Accuracy、Precision、Recall、F、F1、PR、ROC、AUC）
zhuhongde的博客
05-27 2823
参考文献 1.利用基于线性假设的线性分类器LogisticRegression/SGDClassifier进行二类分类(复习1) 2.机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线 3. 宏观视角 一、关于精度（Precision）、召回率（Recall） 混淆矩阵： 二、各指标介绍： 具体请参考该博客 1、准确率（Acc...
precision与Recall
lzz555517的博客
08-31 8902
precision与Recall 在机器学习中，precision与recall是常用的指标，在说这两个概念之前，首先来说下精度(Precision)与准度(Accuracy)。 Precision指精度，意味着随机误差(Random Error)小，即方差(Variance)小，描述了实际值的扰动情况。 Accuracy指准度，意味着系统误差(System Error)小，即偏差(Bias)小，描述了实际值与真实结果的偏离程度。 准确度高，意味着误差(Error)小，Error = Bias + Var
召回率（recall）和精度（precision）
W1995S的博客
03-21 11万+
识别精度主要是由召回率（recall）和精度（precision）表示的。通过绘制precision-recall 曲线，该曲线下方的面积越大，识别精度也就越高，反之越低。 在说明 recall 和 precision 计算公式之前需要先介绍几个数据定义。 在一个数据集检测中，会产生四类检测结果： TP、TN 、FP 、FN： T ——true 表示正确 F——false 表示错误 P—— positive 表示积极的，看成正例 N——negative 表示消极的，看成负例 我的理解：后面为预测结果，前面
机器学习实战(基于scikit-learn和TensorFlow)学习心得(14)--Precision and Recall and F1
Tomswordyan的博客
03-01 377
当我们考验一个classifier的好坏的时候,精准度并不是一个非常好的指标,对于不同的任务我们有两种衡量精准度的办法,precision(精确率)和recall(召回率) 假设我们想要识别一组手写数字中的5 从上图可知 左上角是系统识别出来不是5而且标签也不是5的图片(正确的分类也叫true negative{TN}) 右上角是系统识别出来是5但是实际上不是5的图片,叫false positi...
prec_rec.zip_Curves_Recall_precision recall_precision-recall_rec
09-23
在IT行业中，尤其是在数据分析、机器学习以及人工智能领域，精确率（Precision）和召回率（Recall）是评估分类模型性能的两个重要指标。本话题主要围绕"Precision Recall curves"展开，我们将深入理解这两个概念，...
Roc-curve.zip_Recall_precision_precision recall_roc_roc curve ja
09-14
3. **计算TPR、FPR、Precision和Recall**：对每个阈值，计算对应的TP、FP、TN和FN（真负例），然后用这些值计算TPR、FPR、Precision和Recall。 4. **绘制曲线**：使用计算出的TPR和FPR绘制ROC曲线，用Precision和...
PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc
07-15
在IT行业中，尤其是在数据分析和机器学习领域，"PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc"这个标题和描述涉及到的是评估分类模型性能的关键概念。这些概念是理解和优化模型不可或缺的...
请问macro-recall、macro-precision、macro-f1和recall、precision、f1的区别
最新发布
08-06
用户询问的是macro-recall, macro-precision, macro-F1与普通的recall, precision, F1之间的区别。 注意：在多分类任务中，当我们单独说recall、precision、F1时，通常有两种情况： 1. 可能是指某个特定类别的指标...
（含函数详解）训练数据的分布对F-measure, recall and precision的影响
04-16
F-measure、召回率(Recall)和精确率(Precision)是衡量分类模型性能的三个关键指标，它们与训练数据的分布有着密切关系。本文将深入探讨这三个概念以及训练数据的分布如何影响它们。 首先，精确率(Precision)是指...
Precision（准确率）和Recall（召回率）介绍
weixin_42638415的博客
10-20 4万+
为什么我们需要Precision(准确率)和Recall(召回率)？ 首先我们仅仅只看loss的话，会出现什么问题。 举个例子：比如对于一个二分类的模型，我们通过训练得到最终loss仅为5%，也就是准确率达到了95%，这很明显我们认为这是一个比较优秀的模型。 但是，如果我们的训练数据，仅有3%的数据对应标签为0，也就是负样本，其余均为正样本，对应标签为1. 这样会发生什么？如果我们的网络只能输出1，无论输入是什么，都只能输出1，这...
深度学习：IoU、Accuracy、Precision、Recall区别
yly的博客
08-20 1万+
看图和公式，简洁清晰，绝对不会混淆，不多说了。（IoU--交并比；Accuracy--准确率；Precision--精确率；Recall--查全率、召回率） 评价神经网络的结果，可以考察以上关键指标。IoU或Accuracy比较直观地给出了综合性能；Precision和Recall常常要放在一起评估神经网络，否则单独把Precision或者Recall做高是非常容易的（通过牺......
精度评定中的准确率（Precision）和召回率（Recall）
WoodyHD的专栏
05-05 2万+
在模式识别中，我们经常会使用到一些指标对目标识别或者影像分类的结果进行评价。 我们经常使用的有三个指标： （1）准确率（Precision），又称“精度”、“正确率”； （2）召回率（Recall），又称“查全率”； （3）F1-Score，准确率和召回率的综合指标。...
准确率召回率
VergiL Wang的专栏
05-18 1216
http://blog.sina.com.cn/s/blog_4b59de070100ehl7.html 最近一直在做相关推荐方面的研究与应用工作，召回率与准确率这两个概念偶尔会遇到， 知道意思，但是有时候要很清晰地向同学介绍则有点转不过弯来。 召回率和准确率是数据挖掘中预测、互联网中的搜索引擎等经常涉及的两个概念和指标。 召回率：Recall，又称“查全率”——还是查全率好记，也更能体现其...
Precision - Recall曲线的精确理解
奔跑入坑大数据
06-08 5579
一、Precision - Recall 的平衡 1）基础理论 调整阈值的大小，可以调节精准率和召回率的比重； 阈值：threshold，分类边界值，score > threshold 时分类为 1，score < threshold 时分类为 0； 阈值增大，精准率提高，召回率降低；阈值减小，精准率降低，召回率提高； 精准率和召回率是相互牵制，互相矛盾的两个变量，不能同时增高； 逻辑回归的决策边界不一定非是 ，也可以是任意的值，可根据业务而定：，大于 threshold 时分类为 1，小于 t
机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
热门推荐
小太阳~
04-26 30万+
以下第一部分内容转载自：机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)是怎么一回事摘要：数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)简介。 引言：在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。业内目前常常采用的评价指标有准确率(Precision)、召
机器学习指标(Precision、Recall、mAP、F1 Score等)
林学森的技术专栏
04-26 4955
以下文章摘录自： 《机器学习观止——核心原理与实践》 京东：https://item.jd.com/13166960.html 当当：http://product.dangdang.com/29218274.html (由于博客系统问题，部分公式、图片和格式有可能存在显示问题，请参阅原书了解详情) ———————————————— 版权声明：本文为CSDN博主「林学森」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.cs.
机器学习系列(二)——评价指标Precision和Recall
CX330lxy的博客
11-04 5857
机器学习基础，评价指标
【机器学习算法面试题】二.精确率Precision和召回率Recall的权衡。
计算机科研杂货铺
01-28 1297
目录一、TP / FN / FP / TN二、精确率Precision三、召回率Recall四、F1值(F1 score) 一、TP / FN / FP / TN 预测问题会有下列4种情况：TP / FN / FP / TN 第一个字母（True/False）表示你的预测值是否正确，第二个字母（Positive/Negative）表示你的预测的结果是什么。通常，以关注的类作为“正类”，其他类为负类。在垃圾邮件检测中，“垃圾邮件”是正类，则“正常邮件”是负类。 TP——True，Positive：预测正确&a
Recall-Precision
06-10
Recall-Precision（召回率-精确率）...Recall和Precision是一对相互制约的指标，通常需要在实际使用中取得平衡。在一些实际应用中，例如医学诊断或信息检索领域，Recall和Precision的平衡对于模型的性能评估至关重要。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值