您能否在提供的示例中解释分类报告（召回率和精度）？

Question

现在，我知道很多人提出了这个问题，但是，我仍然不太了解sklearn库输出的精度和召回率。这是示例输出：

[如果可能，有人可以使用您可以召集的最简单的语言，以以下方式回答我的问题：-精度0.95错误代表什么是模型？-精度0.56 True对模型意味着什么？-召回0.88 False对模型意味着什么？-召回0.76 True对模型意味着什么？

谢谢！

Answer 1

您有两个不同的类：对或错。想象一下，您有苹果一样的真和橙子一样的假。

Recall是一个度量标准，可让我们深入了解相对于数据集/数据库的总数/大小而言，检索到的correct个值的total个数。

因此，假设您的图片中有30个苹果。另外，您还有一个物体检测系统，其目的是识别/检测图片中的苹果。

现在，您的物体检测系统将绘制50个边界框（图片中的矩形），在所有苹果周围绘制30个边界框，并在一些看起来像那些苹果的橙色周围绘制20个边界框。

Recall，在这种情况下，由公式TP / (TP + FN)给出，即，真阳性/真阳性+假阴性为1.0！当然，您的召回率为1.0（或100％，尽管从统计上讲，精度和召回率的正确值介于0到1之间），因为它可以检测到所有苹果！

因此，在您的示例中为TP = 30, FN = 0（图像中没有苹果遗漏）。所以30/(30 + 0) = 1.0

但是，您对结果不满意，因为即使您的物体检测系统正确识别了图像中的所有苹果，它也认为20个橘子是苹果。

这里是precision

指标。 Precision为我们提供了有关已检索到的苹果的见解（而不是像Recall那样针对整个数据库），并回答了以下问题：“在已经被识别为苹果的苹果中，到底有多少是苹果？”

一个人可以很容易地看出，精度会因误报而对机器学习模型造成不利影响，在我们的案例中，误报是被识别为苹果的橘子。

根据您的情况，您将获得TP /(TP + FP) === 30 / (30 + 20 <---oranges considered apples))

因此，您的精度为0.6。

总结一下：回想起数据库中总数的事后见解>>

召回回答问题：（假设您有30个苹果）“在这30个苹果中，您检索/识别了多少个？”。

另一方面，精密度为我们提供了有关已检索到的“苹果”的信息。

精确回答问题：“在已经检索并考虑过的苹果实例中，实际上有多少个苹果？”

精确度与误报相关，而召回误报率。