{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","uuid":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","normalized_title":"智慧的疆界从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","isbns":["9787111778004","9787111695714"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":456,"navigation_url":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title_url":"https://workshop.closeclaw.top/ai/title/%E6%99%BA%E6%85%A7%E7%9A%84%E7%96%86%E7%95%8C%20%E4%BB%8E%E5%9B%BE%E7%81%B5%E6%9C%BA%E5%88%B0%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","page_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/search"},"page":{"printed_page":232,"pdf_page":247,"physical_index":247,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"72bceb55fded625986d430c615904eaa3b68d46ddeb6536882adc0a2fe7be285"},"chapter":"内容简介","content":"$$\n\\bigstar \\bigstar | \\bigstar | \\bigstar \\bigstar \\bigstar \\bigstar \\bigstar \\bigstar\n$$\n\n召回率的通俗解释就是“在样本的正例里面，有多少正例被正确预测了”，它度量的是模型的“查全比例”，因此也叫“查全率”。根据公式，模型一的召回率是 $1 0 0 / ( 1 0 0 + 5 0 ) \\approx 6 6 . 7 \\%$ ，而模型二的召回率为 0，看来在我们的讨论场景里，召回率是最佳的衡量指标。\n\n我们还需要注意到，类似于偏差和方差的关系，精确率和召回率其实也是一对互相影响、需要权衡的指标，这点倒是比偏差和方差更容易理解：过分精确就难以全面，过分追求全面可能就容易损失精确性。理想情况下肯定希望模型能够做到两者都高，但是在模型性能固定的前提下，精确率高召回率就偏低，召回率高精确率就会偏低，所以偏向精确还是偏向全面，也是需要根据实际情况做出权衡的。\n\n譬如，在做自然灾害预测时，就应该更注重召回率，我们宁愿发出 100 次警报，把 10 次真正发生的自然灾害都预报到了，也不要只发布 10 次警报，对了其中 8 次，漏掉了 2 次灾害。但是在给犯罪嫌疑人定罪的时候，我们就必须把精确率放在优先位置，必须坚持“疑罪从无”原则，查准优先于查全，不能错怪一个好人。\n\n如果模型的这两个指标都偏低，那肯定就是有什么地方出问题了。当我们需要综合衡量精确率和召回率时，通常会以一个名为“ F1 分数”的新指标作为度量，“ F1 分数”并没有什么特殊含义，它就是精确率和召回率的调和平均值，如果模型的 F1 分数还不错的话，那说明它的精确率和召回率都不会过于难看。F1 分数的计算公式如下：\n\n$$\n\\mathrm { F 1 } \\not \\gg \\not \\{ \\not \\exists \\} \\qquad \\frac { 2 \\times \\not \\mathrm { F } \\not \\equiv \\not \\equiv \\not \\equiv \\ \\times \\not \\exists \\not \\equiv \\not \\equiv } { \\not \\mathrm { F } \\not \\exists \\not \\equiv \\not \\equiv + \\not \\langle \\not \\exists \\not \\equiv \\not \\equiv } \\ = \\ \\frac { 2 \\mathrm { T P } } { \\ 2 \\mathrm { T P } \\ : \\ : \\mathrm { F P } \\ : \\ : \\mathrm { F N } }\n$$\n\n对于分类问题，主要度量指标就是以上介绍的这些，而对于回归问题，通常直接用误差（有多种误差的计算方式，如平均绝对误差、均方误差等）来衡量，这部分在之前介绍误差、偏差和方差的章节已经讲得比较详细了，这里不\n\n232\n\n第三部分 第三波高潮","previous_page":231,"next_page":233}