上一篇文章中，提到正確率(Accuracy)是機器學習分類任務中過得一個模型評估方法，并指出正確率(Accuracy)雖然簡單直觀，但在很多時候并不是一個真正正確的評估指標。

那還有什么評估方法呢?我們還是舉地震、癌癥、信用卡交易欺詐的例子，在這些情況下，我們顯然關心的是有沒有地震，有沒有癌癥，有沒有欺詐交易。如果有地震、有癌癥、有欺詐，竟然預測錯了，這顯然是非常嚴重的后果。

那么，要怎樣評估計算呢?這里就要引出”陰陽“的概念，我們做體檢時，經常會出現有陽性、陰性的檢查結果。什么意思呢?檢查出“陽性”一般代表就有異常結果，例如可能得了某病，或者懷孕等。“陰性”就代表正常結果，我們當然關心異常結果，也就是”陽性”的結果。

當然，檢查出“陽性”，并不代表真有某種疾病，這稱為“假陽”；同理，檢查出“陰性”，也并不代表沒有某種疾病，這稱為”假陰“。

這里把”陽性/陰性“從疾病檢查中引申出來，把我們關心的異常結果，例如地震、欺詐交易等都稱為”陽性“，同理，正常的結果沒有地震、沒有欺詐交易都稱為”陰性”。

那么，對于分類模型對測試集中每條數據樣本的預測，排列組合下，就只有4種可能性：

1.原本是陽性，預測成陽性：真陽 2.原本是陽性，預測成陰性：假陰 3.原本是陰性，預測成陽性：假陽 4.原本是陰性，預測成陰性：真陰

怎么樣，是不是感覺都有點像武功秘籍《九陽真經》、《九陰真經》了。

前面說過，我們關注的是異常結果，即”陽性“，如果檢查出的”陽性”都是真陽，沒有”假陽”當然是好的。所以，我們用下式來評估模型的好壞：

Precision=真陽真陽+假陽

這就是精確率(Precision)評估方法。

舉個例子，地震局的地殼活動數據，100萬個測試數據樣本中，只有10個是有地震的，另外的999990個數據是沒有地震的，如果我們的分類模型預測對了這999990個沒有地震的數據中的999900個；另外10個有地震的預測對了6個。

那么真陽=6，真陰=999900，假陽=90.假陰=4。

Precision=66+90=0.0625

這個得分就很低了。如果按照”正確率/準確率(Accuracy)“來計算，就是(999900+6)/1000000=99.9906%。

因為我們更關心有地震的情況，所以，采用精確率(precision)的計算方法顯然更合適。

精確率(Precision)還有一個名稱，叫查準率。但是注意，查準率這個名稱主要用在信息檢索領域。例如一個論文數據庫，搜索”機器學習”相關論文，搜出來的文檔數量為10000條，其中真正與”機器學習“相關的文檔數量為9000條，那么查準率就是90%。

實際應用中，大家經常把正確率、準確率、精確率、查準率等混在一起，不同人說的都不是同一個東西。因此，建議使用英文原文來表達更清晰，即Accuracy和Precision。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的分类模型的评估方法-精确率(Precision)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。