Machine learning 回忆在机器学习中意味着什么？

一个分类器，例如贝叶斯分类器的召回是什么意思？请举例说明

---

例如，测试数据的精度=正确/正确+错误文档。如何理解召回？

ML中的精度与信息检索中的精度相同

recall = TP / (TP + FN)
precision = TP / (TP + FP)

（其中TP=真阳性，TN=真阴性，FP=假阳性，FN=假阴性）

将这些符号用于二元分类器是有意义的，通常“正”是不太常见的分类。请注意，精度/召回度量实际上是一种特定形式，其中#classes=2表示更一般的情况

---

此外，您的“精度”符号实际上是精度，是

（TP+TN）/ALL

召回字面意思是召回（发现）了多少真正的积极因素，即也找到了多少正确的点击

---

精确性（您的公式不正确）是返回的点击数中有多少是真的阳性，即找到的点击数中有多少是正确的。

用非常简单的语言：例如，在一系列显示政客的照片中，政客XY的照片有多少次被正确地认为是A.默克尔而不是其他政客的照片

• 精度是另一个人被识别的次数（误报）：（正确命中）/（正确命中）+（误报）的比率

• recall是照片中显示的人的姓名被错误识别的次数（“recall”）：（正确呼叫）/（正确呼叫）+（错误呼叫）的比率

---

我发现维基百科中的解释非常有用：

假设一个用于识别照片中的狗的计算机程序在一张包含12只狗和一些猫的图片中识别出8只狗。在确定的8只狗中，5只实际上是狗（真阳性），而其余的是猫（假阳性）。该程序的精度为5/8，召回率为5/12。当一个搜索引擎返回30个页面时，其中只有20个页面是相关的，而没有返回40个额外的相关页面，其精度为20/30=2/3，而召回率为20/60=1/3

因此，在本例中，精度是“搜索结果有多有用”，召回率是“结果有多完整”

---

给你举个例子。假设我们有一个机器学习模型，可以检测猫对狗。人类提供的实际标签被称为地面真相。 同样，模型的输出称为预测。现在看下表：

ExampleNo        Ground-truth        Model's Prediction
   0                 Cat                   Cat
   1                 Cat                   Dog
   2                 Cat                   Cat
   3                 Dog                   Cat
   4                 Dog                   Dog

比如说，我们想找到猫类的召回。根据定义，召回是指正确识别某一类别的百分比（从该类别的所有给定示例中）。因此，对于cat类，模型正确识别了它2次（在示例0和2中）。但这是否意味着实际上只有两只猫<斯特朗>不事实上，地面真相中有3只猫（人类标记）。那么，这个特定类别的正确识别率是多少<代码>三分之二，即（2/3）*100=66.67%或

0.667

，如果在1内对其进行规格化。下面是示例3中cat的另一个预测，但它不是正确的预测，因此，我们不考虑它

现在来谈谈数学公式。首先要理解两个术语：

TP（真阳性）：当某件事实际上是阳性时，预测它是阳性的。如果猫是我们的正面例子，那么当它实际上是一只猫时，预测它是一只猫

FN（假阴性）：当某个东西实际上不是阴性时，预测它是阴性的

现在对于某个类，该分类器的输出可以是两种类型：Cat或Dog（不是Cat）。所以正确识别的数字就是真正数（TP）。同样地，在《地面真相》中，该类实例的总数将为TP+FN。因为在所有猫中，模型要么正确地检测到它们（TP），要么没有正确地检测到它们（FN，即，模型在实际为阳性（Cat）时错误地说阴性（非Cat））。因此，对于某一类，TP+FN表示该类的基本事实中可用的示例总数。所以公式是：

Recall = TP / (TP + FN)

同样，狗的回忆也可以计算出来。当时认为狗是积极的阶级，猫是消极的阶级

因此，对于任何数量的类来说，要找到某个类的回忆，将该类视为积极的类，将该类的其余的视为消极的类，并使用公式找到回忆。继续每个类的过程，以查找所有类的召回

---

如果您也想了解精度，请转到此处：

您的“精度”不正确，您给出的公式描述了精度，不精确。我投票结束这个问题，因为它不是关于中定义的编程，而是关于ML理论和/或方法-请参阅机器学习中的介绍和说明。