Scikit learn 您能否解释所提供示例的分类报告（召回率和精确度）？

现在我知道很多人问过这个问题，但是，我仍然不太了解sklearn库输出的精确度和回忆分数。以下是示例输出：

如果可能的话，有人可以用你能掌握的最简单的语言用以下方式回答我的问题：
-精度0.95 False表示模型的精度是多少？
-精度0.56 True表示模型的精度是多少？
-召回0.88 False对该型号意味着什么？
-回忆0.76 True对于该型号意味着什么？

---

提前谢谢

您有两个不同的类：True或False。想象你有像苹果一样的真和像桔子一样的假

召回是一个指标，它让我们了解相对于数据集/数据库的总数/大小检索到的正确值的总数

所以，假设你有一张30个苹果的照片。此外，您还有一个目标检测系统，其目的是识别/检测图片中的苹果

现在，你的物体检测系统画了50个边界框（图中的矩形），30个包围你所有的苹果，20个包围看起来像那些苹果的桔子

召回，在这种情况下，由公式

TP/（TP+FN）

给出，即真阳性/真阳性+假阴性，为1.0！当然，你的召回率是1.0（或者100%，尽管统计上精确性和召回率的正确值介于0和1之间），因为它检测到了你所有的苹果

因此，在您的示例中，

TP=30，FN=0

（图像中没有苹果遗漏）。因此

30/（30+0）=1.0

但是，您对结果不满意，因为即使您的目标检测系统正确识别了图像中的所有苹果，它也认为20个橙子是苹果

这里是精度指标。Precision让我们能够洞察已经检索到的苹果（不像Recall那样针对整个数据库），并回答了以下问题：“在已经确定为苹果的数据库中，有多少是真正的苹果？”

我们可以很容易地看到，精确性会惩罚机器学习模型的误报，在我们的例子中，误报是被识别为苹果的橙子

在您的情况下，您将拥有

TP/（TP+FP）==30/（30+20）