【强烈建议收藏】一文搞懂机器学习评估指标：从准确率到F1值，小白也能看懂的分类模型评估指南

前言1 准确率弊端虽然准确率计算过程简单也十分容易理解但是准确率却存在着一个不容忽视的弊端。例如现在需要训练一个癌细胞诊断模型来识别癌细胞且在训练数据中其中负样本非癌细胞有10万个而正样本癌细胞只有200个。假如某个模型将其中的105个预测为正样本100095个预测为负样本。最终经过核对后发现正样本中有5个预测正确负样本中有99900个样本预测正确。那么此时该模型在训练集上的准确率为但显然这样的一个模型对于辅助医生决策来说并没有任何作用。如果模型极端一点将所有的样本都预测为负样本那模型的准确率更是高达。因此在面对类似这种样本不均衡的任务中并不能够将准确率作为评估模型的唯一指标。此时就需要引入精确率和召回率来作为新的评价指标。2 精确率与召回率计算我们仍旧以猫狗识别任务为例。假定现在有一个猫狗识别程序并且假定狗为正类别Positives猫为负类别Negatives。程序在对12张狗和10张猫的混合图片进行识别后判定其中8张图片为狗14张图片为猫。经人工核对后在这8张程序判定为狗的图片中仅仅只有5张图片的确为狗因此这5张图片就被称为预测正确的正样本True Positives, TP而余下的3张被称为预测错误的正样本False Positives, FP。同时在这14张程序判定为猫的图片中仅有7张为真实的猫即预测正确的负样本True Negatives, TN)而余下的7张被称为预测错误的负样本False Negatives, FN。此时根据这一识别结果我们便可以得到如图1所示的混淆矩阵Confuse Matrix。图1. 混淆矩阵图如何来读这个混淆矩阵呢读的时候首先横向看然后纵向看。例如读TP的时候首先横向表示真实的正样本其次是纵向表示预测的正样本因此TP表示的就是将正样本预测为正样本的个数即预测正确因此同理共有以下4种情况。(1) TP 表示将正样本预测为正样本即预测正确。(2) FN 表示将正样本预测为负样本即预测错误。(3) FP 表示将负样本预测为正样本即预测错误。(4) TN 表示将负样本预测为负样本即预测正确。如果此时突然问FP表示什么含义又该怎样迅速地反应出来呢我们知道FP从字面意思来看表示的是错误的正类也就是说实际上它并不是正类而是错误的正类即实际上为负类因此FP表示的就是将负样本预测为正样本的含义。再看一个FN其字面意思为错误的负类也就是说实际上它表示的是正类因此FN的含义就是将正样本预测为负样本。在定义完上述4种分类情况后就能得出各种场景下的计算指标公式如式下所示。注意 当中时称为值同时也是用得最多的评价指标。可以看到精确率计算的是预测对的正样本在整个预测为正样本中的比重而召回率计算的是预测对的正样本在整个真实正样本中的比重因此一般来讲召回率越高也就意味着这个模型寻找正样本的能力越强例如在判断是否为癌细胞的时候寻找正样本癌细胞的能力就十分重要而则是精确率与召回率的调和平均。因此根据精确率和召回率的定义我们还可以通过更直观的图示来进行说明如图3-8所示。图 2. 分类情况分布图如图2所示左侧的所有实心样本点为正样本相关元素右侧的所有空心点为负样本中间的圆形区域为模型预测的正样本检索元素即圆形左侧为模型将正样本预测为正样本的情况右侧为模型将负样本预测为正样本的情况。例如现在可以想象这么一个场景某一次我们在使用搜索引擎搜索相关内容正样本时搜索引擎一共检索返回了30个搜索页面搜索引擎认为的正样本而搜索引擎返回的结果就相当于是图3-8中对应的圆形区域所以精确率和召回率还可以通过图3来形象地进行表示。图 3. 精确率召回率图示从图3中更能直观地看出精确率计算的是预测正确的正样本在整个被预测为正样本中的占比而召回率计算的是预测正确的正样本在所有真实正样本中的占比。准确率与召回率区别介绍到这里可能有读者会问在上述问题中既然精确率和召回率都能够解决准确率所带来的弊端那可不可以只用其中一个呢答案是不可以。下面我们再次以上面的癌细胞判别模型为例并以3种情况来进行示例说明。1. 情况一将所有样本均预测为正样本此时有则2. 情况二将其中50个样本预测为正样本100150个预测为负样本。最终经过核对后发现正样本中有50个预测正确负样本中有100000个样本预测正确。此时有则3. 情况三将其中的210个样本预测为正样本99990个预测为负样本。最终经过核对后发现正样本中有190个预测正确负样本中有99980个样本预测正确。此时有则根据这3种情况下模型的表现结果可以知道如果仅从单一指标来看无论是准确率、精确率还是召回率都不能全面地来评估一个模型。并且至少应该选择精确率和召回率同时作为评价指标。同时可以发现精确率和召回率之间一定程度上存在着某种相互制约的关系即如果一味地只追求提高精确率那么召回率可能就很低反之亦然。所以在实际情况中我们会根据需要来选择不同的侧重点当然最理想的情况就是在取得高召回率的同时还能保持较高的精确率。最后我们也可以直接计算来进行综合评估例如上述3种情况对应的值分别为和。因此对于一个分类模型来说如果想要在精确率和召回率之间取得一个较好的平衡最大化值是一个有效的方法。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】