人工智能应用基础项目式教程 课件 任务3.4+计算准确率和召回率.pptx

任务3.4准确率和召回率PowerpointdesignPowerpoint

目录CONTENTS01任务描述02预备知识03实施过程

01任务描述Powerpoint

01在机器学习中，模型评估是一个重要的过程，用于确定模型是否能够有效地预测输入的数据。机器学习模型评估的重要性

本任务的目标是计算分类任务的准确率和召回率。准确率和召回率是评估分类模型性能的两个重要指标。准确率衡量的是模型正确分类的样本数占总样本数的比例，而召回率衡量的是模型正确识别出的正样本数占实际正样本数的比例。01为了完成这个任务，我们需要以下步骤：

1）准备数据集：数据集应包含样本的特征和对应的标签。标签可以是二分类或多分类的。

2）训练分类模型：使用合适的算法和参数训练分类模型。

3）预测与评估：使用训练好的模型对测试集进行预测，并计算准确率和召回率。02任务目标和步骤

02预备知识Powerpoint

准确率=(真正例+真反例)/总样本数。召回率=真正例/实际正样本数。精确率=真正例/预测正样本数。其中，真正例（TruePositive，TP）表示模型正确预测为正样本的实例数；真反例（TrueNegative，TN）表示模型正确预测为负样本的实例数；总样本数表示测试集中样本的总数；实际正样本数表示测试集中真正为正样本的实例数确率、召回率、精确率、F1分数

ROC曲线图3.30给出了分类任务评估方法。AUCAUC（AreaUnderCurve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高；等于0.5时，则真实性最低，无应用价值。AUC、ROC评估指标

010203决定系数（R2）R2用于衡量模型对数据的拟合程度，其值越接近1表示模型的拟合程度越好。平均绝对误差（MAE）MAE是预测值与真实值之间差的绝对值的平均数，较小的MAE表示模型预测的准确性较高。均方误差（MSE）MSE是预测值与真实值之间差的平方的平均数，较小的MSE同样表明模型具有较高的预测精度。回归任务模型评估

03实施过程Powerpoint

from?sklearn.metricsimportaccuracy_score,precision_score,recall_score,f1_score,roc_curve,auc#定义真实标签和预测标签y_true=[0,1,1,0,1,0]y_pred=[0,1,0,0,1,1]#计算准确率acc=accuracy_score(y_true,y_pred)print(Accuracy:{:.4f}.format(acc))#计算精确率precision=precision_score(y_true,y_pred)print(Precision:{:.4f}.format(precision))#计算召回率recall=recall_score(y_true,y_pred)print(Recall:{:.4f}.format(recall))#计算F1分数f1=f1_score(y_true,y_pred)print(F1.score:{:.4f}.format(f1))#计算ROC曲线和AUCfpr,tpr,thresholds=roc_curve(y_true,y_pred)roc_auc=auc(fpr,tpr)print(ROCcurve:fpr={},tpr={},AUC={:.4f}.format(fpr,tpr,roc_auc))上述代码计算了一个二分类问题的准确率、精确率、召回率、F1分数、ROC曲线和AUC。其他分类指标和回归指标的使用方法类似，只需调用相应的函数即可。

2025谢谢大家Powerpointdesign主讲人：2025/5/13程老师时间：Powerpoint