知识卡片
精确率召回率与F1权衡
精确率衡量被判为正样本的样本中有多少是真的正样本,召回率衡量真正的正样本有多少被找出来。排序模型没有天然阈值,通常取Top N的结果作为判定正样本,于是有Precision@N与Recall@N。两者矛盾统一:想提高精确率就要更保守,只在高把握时判正,却会漏掉大量正样本使召回率下降。F1-score取二者的调和平均,用一个数综合反映排序质量。离线评估应同时报告精确率与召回率,避免只看单点导致片面结论。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第7章 推荐系统的评估 · 查看原书依据
精确率和召回率是矛盾统一的两个指标:为了提高精确率,分类器需要尽量在“更有把握时”才把样本预测为正样本,但往往会因过于保守而漏掉很多“没有把握”的正样本,导致召回率降低。
参考来源
- 位置:《深度学习推荐系统》第7章 推荐系统的评估(源文件:extracted/深度学习推荐系统/_epub-src/text/part0011_split_001.html)
- 结论依据:原文给出精确率与召回率的定义,说明排序模型用Top N计算二者,并指出它们是矛盾统一的、可用F1-score综合反映。
- 原始内容:精确率和召回率是矛盾统一的两个指标:为了提高精确率,分类器需要尽量在“更有把握时”才把样本预测为正样本,但往往会因过于保守而漏掉很多“没有把握”的正样本,导致召回率降低。