我知道机器学习中精度和召回指标之间的区别。一个优化假阳性和其他假阴性。在统计中,它被称为优化类型I或类型II错误。
然而,我很困惑,在什么情况下可以完成与Precision和Recall相反的完成?像Precision = 1和Recall = 0?。
让我迭代:
precision = true positives / (true positives + false positives)
recall = true positives / (true positives + false negatives)
这是混淆矩阵
predicted
(+) (-)
---------
(+) | TP | FN |
actual ---------
(-) | FP | TN |
---------
现在,如果对于positive(1)类的分类器,Precision = 1,则表示没有FP,所有预测标签都是TP。
那么对于相同的正类,Recall怎么能为0?如果已经预测了一些TP,实际上按照精度,所有预测的只有TP,那么对于Recall,我们将分子非零,那么在什么情况下可以得到Recall 0然后对于相同的分类器正类? / p>
为了给出一些上下文,我为二元分类问题运行了一个Logistic回归分类器。我有一些23K训练数据,有774个功能。 770功能是二进制或虚拟变量。
这是我的班级标签的分布:
1 20429
0 12559
以下是对25个Hyper参数值组合进行5次网格搜索后的混淆矩阵和精度值。
The mean train scores are [ 0.66883049 0.54314532 0.67008959 0.63187226 0.63100366 0.53165968
0.54131812 0.55507725 0.5578254 0.57663273 0.57247462 0.57230056
0.54402055 0.5762753 0.50925733 0.45781882 0.39366017 0.39037968
0.3919818 0.38878762 0.39784982 0.39506755 0.48238147 0.38932944
0.39801223]
The mean validation scores are [ 0.66445801 0.54107661 0.66878871 0.63184791 0.6305487 0.5291239
0.53899788 0.55324585 0.55822615 0.57784418 0.57269066 0.57312373
0.54536399 0.57593868 0.50790351 0.45727773 0.39318349 0.38906933
0.39214413 0.38924256 0.39794725 0.39461262 0.4827855 0.38811658
0.39812048]
The score on held out data is: 0.6687887055562773
Hyper-Parameters for Best Score : {'alpha': 0.0001, 'l1_ratio': 0.45}
The accuracy of sgd on test data is: 0.37526523188845107
Classification Metrics for sgd :
precision recall f1-score support
0 0.38 1.00 0.55 3712
1 1.00 0.00 0.00 6185
avg / total 0.77 0.38 0.21 9897
答案 0 :(得分:1)
您发布的输出四舍五入到小数点后两位,因此您可能有精度= 1且召回等于0.001。例如,如果您只有一个案例(正确)预测为1,其他一切预测为0,则可能会发生这种情况。因此您的假阳性率非常高,并且您的召回率为1/6185,接近于0。