怎么在地图上设置自己店的位置,西安网站seo外包,2017织梦网站怎么做seo,湖南专业建站按效果付贿通俗解释机器学习中的召回率、精确率、准确率#xff0c;一文让你一辈子忘不掉这两个词 赶时间的同学们看这里#xff1a;提升精确率是为了不错报、提升召回率是为了不漏报
先说个题外话#xff0c;暴击一下乱写博客的人#xff0c;网络上很多地方分不清准确率和精确率一文让你一辈子忘不掉这两个词 赶时间的同学们看这里提升精确率是为了不错报、提升召回率是为了不漏报
先说个题外话暴击一下乱写博客的人网络上很多地方分不清准确率和精确率在这里先正确区分一下精确率和准确率以及他们的别称
切入正题 很多人分不清召回率和精确率的区别即使记住了公式过段时间还是会忘掉这里我会完全讲清楚这几个率的区别 准确率很好理解被正确预测出来的数量 / 所有的样本这里不在赘述主要讲解精确率和召回率 精确率和召回率就是分母不一样下面以预测地震为例
请听题你的老板让你做一个地震预测模型(以天为单位记某一天地震为正样本不地震为负样本)你需要预测接下来100天的地震情况。
假设你是拉普拉斯妖你知道第50天和51天会地震其余的1-49和51-100天不会地震。
现在假设你的模型已经做好但是不能精确率和召回率二者不可得兼摆在你面前的是提升其中的一个率你应该怎么办
通俗解释一下
咋一看他们只有分母不一样但是为啥不一样呢
精确率分母是预测到的正类精确率的提出是让模型的现有预测结果尽可能不出错(宁愿漏检也不能让现有的预测有错)
以地震模型为例说就是宁愿地震了没报也不能误报地震比如说为了不错报只预测了第50天可能发生地震此时的
1.精确率1/1100%
2.召回率1/250%
虽然有一次地震没预测到但是我们做出的预测都是对的。
召回率分母是原本的正类召回率的提出是让模型预测到所有想被预测到的样本(就算多预测一些错的也能接受)
以地震模型为例说这100次地震比如说为了不漏报预测了第30天、50天、51天、70天、85天地震此时的
1.精确率2/540%
2.召回率2/2100%
虽然预测错了3次但是我们把会造成灾难的2次地震全预测到了。
应该如何取舍呢
假设地震发生没有预测到会造成百亿级别的损失而地震没发生误报了地震会造成百万级别的损失
显然这种情况下我们应该接受为了不能漏掉一次地震而多次误报带来的损失即提升召回率
精确率和召回率有什么用为什么需要它通俗讲解(人话) 上面我们已经讲的很清楚了这里以两种需求为例
预测地震 - 不能接受漏报 人脸识别支付(银行人脸支付) - 不能接受误检
人脸识别支付主要提升精确率更倾向于不能出现错误的预测。
应用场景你刷脸支付时就算几次没检测到你的脸最多会让你愤怒对银行损失不大但是如果把你的脸检测成别人的脸就会出现金融风险让别人替你买单对银行损失很大。所以宁愿让你付不了钱也不会让别人帮你付钱。
预测地震主要提升召回率更倾向于宁愿多预测一些错的也不能漏检。
应用场景地震预测时宁愿多预测一些错的也不想漏掉一次地震预测错误最多会让大家多跑几趟造成少量损失。只要预测对一次就会挽回百亿级别的损失之前所有的损失都值了。
不同的应用场景需要的评价标准不一样所以才会有这些率。
文章来源https://zhuanlan.zhihu.com/p/93586831
