精确率、召回率和 F1
权衡不同类型的错误
精确率、召回率和 F1 是 CoddyKit 上的免费 Data Science Academy 课时。 这是第 3 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Data Science Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Data Science Academy 课程共包含 4 节课。
准确率为何不够
当某个类别很少见时，准确率可能看起来很高，但模型却漏掉了所有重要案例。您需要精确率和召回率等更有针对性的指标。🎯
精确率定义
精确率要问的是：在所有被我标记为正例的案例中，有多少确实是正例？它衡量一个“是”有多可信。
precision = TP / (TP + FP)精确率何时重要
当误报代价高昂时，高精确率非常重要，例如把真正的邮件标记为垃圾邮件。您希望每个标记都正确。
召回率定义
召回率要问的是：在所有真正的正例中，我捕获了多少？它衡量模型避免漏掉目标的能力。
recall = TP / (TP + FN)召回率何时重要
当漏报很危险时，高召回率非常重要，例如进行疾病筛查。捕获每个真实病例比避免少数误报更重要。
拉锯关系
精确率和召回率通常相互制约。标记更多案例可以捕获更多目标，但也会增加误报。这是一种权衡。
F1 分数登场
F1 分数使用精确率和召回率的调和平均值，将两者合并为一个数字，从而奖励能够平衡二者的模型。
f1 = 2 * (precision * recall) / (precision + recall)为什么使用调和平均
F1使用调和平均，因此任一方面的低分都会拉低结果。您不能只把一个指标做到极好来掩饰另一个指标。
一次调用即可获得
您不需要手动计算这些指标。分类报告会一次性输出每个类别的精确率、召回率和 F1。
from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))选择要优化的指标
让问题决定选择。漏报代价高时优化召回率，误报代价高时优化精确率，需要平衡时优化 F1。
注意平均方式
类别较多时，请选择如何进行平均。宏平均平等对待各类别，加权平均会考虑类别规模。选择不同，结论也会不同。
f1_score(y_true, y_pred, average='macro')快速检查
让我们确保您能准确区分精确率和召回率。
回顾
精确率衡量您所说“是”的可信度，召回率负责捕获正例，而 F1 平衡二者。请根据每种错误的代价来选择指标。🎯
常见问题解答
「精确率、召回率和 F1」课时是免费的吗？
是的 — 「精确率、召回率和 F1」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Data Science Academy 课程的其余内容，请升级到 CoddyKit PRO。 Data Science Academy 课程共包含 4 节课。
「精确率、召回率和 F1」这节课中我会学到什么？
权衡不同类型的错误 你通过在浏览器中直接运行的动手代码来练习 Data Science Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Data Science Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Data Science Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 4 节。
「精确率、召回率和 F1」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Data Science Academy 课中编写并运行代码吗？
能。每节 Data Science Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 回归指标：MAE、MSE、R2
- 解读混淆矩阵
- 精确率、召回率和 F1
- ROC、AUC 和阈值