当前位置：首页 > wzjs >正文

做网站的学什么代码2022最近比较火的热点话题

wzjs 2025/7/29 3:04:26

做网站的学什么代码,2022最近比较火的热点话题,网站绿色图片什么颜色做底色,软件工程考研要考哪些科目精度和召回率简介当机器学习应用中正负例比例严重失衡（远非 50:50）时，准确性这样的常用评估指标效果不佳。以训练二元分类器检测罕见疾病为例，假设测试集上错误率为 1%（正确率 99%），看似结果…

精度和召回率

简介

当机器学习应用中正负例比例严重失衡（远非 50:50）时，准确性这样的常用评估指标效果不佳。以训练二元分类器检测罕见疾病为例，假设测试集上错误率为 1%（正确率 99%），看似结果很好，但如果疾病罕见（如人群中只有 0.5% 的病人患病），一个简单的总是预测 “Y 等于 0”（即预测无病）的算法，其错误率可能更低（0.5%）。

在正负例不平衡的情况下，很难根据准确率判断算法优劣。例如，不同算法准确率分别为 99.5%、92%、96%，最低误差的算法可能像总是预测 “Y 等于 0” 的算法一样，没有诊断出任何患病病人，没有实际用处。相对比较，有 1% 误差但能诊断出一些患病病人的算法，可能比总是输出 “Y 等于 0” 的算法更有用。

精度和召回率

这种情况下仅依据错误率无法判断算法结果的好坏，所以引入新的概念精度和召回率

混淆矩阵：在处理复杂数据集时，通常使用精度和召回率等评估指标。为评估算法在交叉验证集或测试集上的表现，构造混淆矩阵（2×2 矩阵）。矩阵上方轴表示实际类别（1 或 0），垂直方向表示预测类别（1 或 0）。例如，在 100 个交叉验证集例子中，可能有 15 个实际类是 1 且预测类是 1（真阳性），5 个实际类是 0 但预测类是 1（假阳性），10 个实际类是 1 但预测类是 0（假阴性），70 个实际类是 0 且预测类是 0（真阴性）。
精度（Precision）：在所有预测为正（即预测病人患病）的病人中，真正患有罕见疾病的比例。计算公式为：精度 = 真阳性数量 / 分类为正的数量 = 真阳性 /（真阳性 + 假阳性）。在上述例子中，精度 = 15 /（15 + 5） = 0.75，即 75%，意味着在所有预测为患病的病人中，75% 确实患病。
召回率（Recall）：在所有实际患有罕见疾病的病人中，被正确检测出患病的比例。计算公式为：召回率 = 真阳性数量 / 实际阳性数量 = 真阳性 /（真阳性 + 假阴性）。在上述例子中，召回率 = 15 /（15 + 10） = 0.6，即 60%，意味着在所有实际患病的病人中，60% 被正确检测出来了。

作用

计算精度和召回率可以帮助检测学习算法是否总是预测为零（若总是预测为零，真阳性数量为零，精度和召回率都为零或精度无定义）。同时，较高的精度和召回率可以帮助确认学习算法是有用的。精度体现了当算法说病人患病时，病人确实患病的可能性；召回率体现了在所有希望诊断出疾病的病人中，算法能正确检测出的比例。

如何校准精度和召回率

理想目标与现实权衡

理想情况下，希望学习算法具有高精度和高召回率。高精度意味着，如果诊断出患者患有某种疾病，那么患者很可能确实患病，即诊断准确；高召回率表示如果患者实际患有疾病，算法很可能正确识别出他们患病。然而，在实际应用中，精度和召回率之间往往存在权衡关系。

阈值调整

基于逻辑回归预测的阈值设定：在使用逻辑回归进行预测时，模型会输出 0 到 1 之间的数字。通常将输出阈值设为 0.5，当输出大于等于 0.5 时预测为 1（即认为疾病存在），小于 0.5 时预测为 0。但可以根据实际需求调整阈值。
提高阈值的情况：若希望在预测疾病存在时更加谨慎（因为预测患病后可能需要对患者进行侵入性且昂贵的治疗），可以提高阈值，如设为 0.7。提高阈值会使算法在预测为 1 时更有信心，从而提高精度，因为预测为正例时更可能是正确的。但同时，由于预测为 1 的情况减少，会导致召回率降低，即实际患病的患者中被正确诊断出的比例下降。
降低阈值的情况：相反，如果希望避免遗漏太多罕见疾病案例，且治疗相对不那么侵入性、痛苦或昂贵，而不治疗疾病会给患者带来更严重后果时，可以降低阈值，如设为 0.3。此时，只要认为疾病存在的可能性达到 30% 或更高就预测为 1。这样做会使精度降低，因为更倾向于预测为 1，即使不太确定；但会提高召回率，因为能够正确识别出更多实际患病的患者。
阈值与精度、召回率的一般关系：一般来说，通过选择不同的阈值，可以在精度和召回率之间做出不同的权衡。大多数学习算法中，当设置很高的阈值（如 0.99）时，精度高但召回率低；随着阈值降低，会得到一条权衡精度和召回率的曲线，当阈值很低（如 0.01）时，精度低但召回率相对较高。

选择阈值的方法

绘制不同阈值下的精度和召回率曲线，可以帮助选择一个合适的阈值，该阈值对应的点能够平衡假阳性和假阴性的影响，或者平衡高精度和高召回率的好处。需要注意的是，选择阈值通常不能通过交叉验证来完成，而是需要根据具体应用手动选择。

综合评估指标 ——F1 分数

提出 F1 分数的原因：由于使用精度和召回率这两个不同指标评估算法时，可能会遇到难以选择算法的情况（例如不同算法的精度和召回率表现各有优劣，没有一个算法在两个指标上都明显更优），所以需要一种方法将精度和召回率合并为一个指标，以便更直观地比较算法。
简单平均的不足：直接取精度和召回率的平均值不是一个好方法，因为可能会出现某个算法的精度非常低（如一个算法总是预测为 1，诊断所有患者都患有疾病，虽然召回率可能高，但精度很低），但平均后得到的数值可能看起来还不错，导致选择了实际上不太有用的算法。
F1 分数的计算和特点：最常见的结合精度和召回率的方法是计算 F1 分数。F1 分数的计算公式为 $F1 = \frac{2}{\frac{1}{P} + \frac{1}{R}}$ （其中P为精度，R为召回率），也可以化简为其他形式。F1 分数更强调精度和召回率中较低的值，因为如果一个算法的精度或召回率很低，那么它可能不太有用。通过计算 F1 分数，可以对不同算法进行比较，选择 F1 分数较高的算法。在数学上，F1 分数是精度和召回率的调和平均值，调和平均值更注重较小的值。