一星弟子
- 中榜：
- 1 次
- 技术：
- 5 点
- 金币：
- 449 个
- 贡献：
- 0 级
违规： 1 次
|
在数学和统计学中，"准确率"（Accuracy）通常用于评估分类模型的性能，表示模型正确预测的样本占总样本的比例。其计算公式为：
\text{准确率} = \frac{\text{真正例} + \text{真负例}}{\text{总样本数}}
准确率=
总样本数
真正例+真负例
关键概念
真正例（True Positive, TP）：实际为正类，预测也为正类。
真负例（True Negative, TN）：实际为负类，预测也为负类。
假正例（False Positive, FP）：实际为负类，但预测为正类（误报）。
假负例（False Negative, FN）：实际为正类，但预测为负类（漏报）。
示例
假设一个二分类模型的混淆矩阵如下：
预测为正 预测为负
实际为正 TP = 50 FN = 10
实际为负 FP = 5 TN = 35
则准确率为：
\text{准确率} = \frac{50 + 35}{50 + 10 + 5 + 35} = \frac{85}{100} = 85\%
准确率=
50+10+5+35
50+35
=
100
85
=85%
注意事项
适用场景：当类别分布均衡时，准确率是有效的指标；若数据不平衡（如负样本占99%），即使模型总是预测为负，准确率也会高达99%，此时需结合其他指标（如精确率、召回率、F1分数）。
局限性：无法反映模型在各类别上的具体表现，尤其在多分类或不平衡数据中可能产生误导。
其他相关指标
精确率（Precision）：\frac{TP}{TP + FP}
TP+FP
TP
（预测为正的样本中实际为正的比例）。
召回率（Recall）：\frac{TP}{TP + FN}
TP+FN
TP
（实际为正的样本中预测为正的比例）。
F1分数：精确率和召回率的调和平均数。
如果需要针对具体场景进一步解释，可以提供更多背景信息！ |
|
窥视卡.gif)
发表于 2025-6-3 18:04
照妖镜
窥视卡
窥视卡
窥视卡