最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

准确度是测量值与特定值的接近程度的度量，而精度是测量值彼此之间的接近程度，即不一定与特定值接近。换句话说：如果我们有一组来自相同数量的重复测量的数据点，如果它们的平均值接近被测量数量的真实值，则称该组是准确的。另一方面，如果值彼此接近，我们称集合为精确的。这两个概念是相互独立的，这意味着数据集可以是准确的，也可以是精确的，或者两者兼而有之，或者两者都不是。我们在下图中展示了这一点：

混淆矩阵

---

在我们继续使用术语 之前accuracy，我们要确保您了解混淆矩阵的含义。

混淆矩阵，也称为列联表或误差矩阵，用于可视化分类器的性能。

矩阵的列代表预测类的实例，行代表实际类的实例。（注意：也可以反过来。）

在二进制分类的情况下，该表有 2 行和 2 列。

我们想用一个例子来演示这个概念。

混淆矩阵示例

| | 预测类别 |

| — | — |

| 猫 | 狗 |

| 实际

班级 | 猫 | 42 | 8 |

| 狗 | 18 | 32 |

这意味着分类器在 42 个案例中正确预测了一只猫，并将 8 个猫实例错误地预测为狗。它正确地将 32 个实例预测为狗。18 例被错误地预测为猫而不是狗。

分类准确度

---

我们对机器学习感兴趣，准确性也被用作统计指标。准确度是一种统计量度，定义为分类器做出的正确预测（真阳性 (TP) 和真阴性 (TN)）的商除以分类器做出的所有预测的总和，包括假阳性 (FP)和假阴性（FN）。因此，量化二进制精度的公式为：

准确性=吨磷+吨N吨磷+吨N+F磷+FN

其中： TP = 真阳性；FP = 误报；TN = 真阴性；FN = 假阴性

对应的混淆矩阵如下所示：

| | 预测类别 |

| — | — |

| 消极的 | 积极的 |

| 实际

班级 | 消极的 | 田纳西州 | FP |

| 积极的 | FN | TP |

我们现在将计算猫狗分类结果的准确性。我们在这里看到的不是“真”和“假”，而是“猫”和“狗”。我们可以这样计算准确度：

TP = 42

TN = 32

FP = 8

FN = 18

精度 = ( TP + TN ) / ( TP + TN + FP + FN )

打印(精度)

输出：

0.74

假设我们有一个分类器，它总是预测“狗”。

| | 预测类别 |

| — | — |

| 猫 | 狗 |

| 实际

班级 | 猫 | 0 | 50 |

| 狗 | 0 | 50 |

在这种情况下，我们的精度为 0.5：

TP ， TN ， FP ， FN = 0 ， 50 ， 50 ， 0

精度 = （TP + TN ）/ （TP + TN + FP + FN ）

打印（精度）

输出：

0.5

准确性悖论

---

我们将证明所谓的准确性悖论。

垃圾邮件识别分类器由以下混淆矩阵描述：

| | 预测类别 |

| — | — |

| 垃圾邮件 | 火腿 |

| 实际

班级 | 垃圾邮件 | 4 | 1 |

| 火腿 | 4 | 91 |

TP ， TN ， FP ， FN = 4 ， 91 ， 1 ， 4

准确性 = （TP + TN ）/ （TP + TN + FP + FN ）

打印（准确性）

输出：

0.95

以下分类器仅预测“ham”并具有相同的准确性。

| | 预测类别 |

| — | — |

| 垃圾邮件 | 火腿 |

| 实际

班级 | 垃圾邮件 | 0 | 5 |

| 火腿 | 0 | 95 |

TP ， TN ， FP ， FN = 0 ， 95 ， 5 ， 0

精度 = （TP + TN ）/ （TP + TN + FP + FN ）

打印（准确性）

输出：

0.95

该分类器的准确率为 95%，即使它根本无法识别任何垃圾邮件。

精确

–

精度是正确识别的阳性案例与所有预测的阳性案例的比率，即正确和错误预测的案例为positive。精度是检索到的与查询相关的文档的比例。公式：

pr电子C一世秒一世○n=吨磷吨磷+F磷

我们将通过一个例子来证明这一点。

| | 预测类别 |

| — | — |

| 垃圾邮件 | 火腿 |

| 实际

班级 | 垃圾邮件 | 12 | 14 |

| 火腿 | 0 | 114 |

我们可以计算precision我们的例子：

TP = 114

FP = 14

# 公式中不需要 FN (0) 和 TN (12)！

精度 = TP / ( TP + FP )

打印( f "precision: {precision:4.2f} " )

输出：

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！