我们知道二元分类的输出是概率值。一般设定输出概率大于或等于 0.5，则预测为正类；若输出概率小于 0.5，则预测为负类。那么，如果将阈值 0.5 提高，例如 0.6，大于或等于 0.6 的才预测为正类。则准确率（Precision）和召回率（Recall）会发生什么变化？(precision=TP/(TP+FP),recall=TP/(TP+FN))。
A: 准确率（Precision）增加或者不变
B: 准确率（Precision）减小
C: 召回率（Recall）增加或者不变
D: 召回率（Recall）增大
A: 准确率（Precision）增加或者不变
B: 准确率（Precision）减小
C: 召回率（Recall）增加或者不变
D: 召回率（Recall）增大
举一反三
- 我们知道二元分类的输出是概率值。一般设定输出概率大于或等于 0.5，则预测为正类；若输出概率小于 0.5，则预测为负类。那么，如果将阈值 0.5 提高，例如 0.6，大于或等于 0.6 的才预测为正类。则准确率（Precision）和召回率（Recall）会发生什么变化（多选）？
- 有关机器学习分类算法的Precision和Recall，以下定义中正确的是（假定tp = true positive, tn = true negative, fp = false positive, fn = false negative）（ ） A: Precision = tp / (tn + fn), Recall = tp /(tp + fp) B: Precision= tp / (tp + fp), Recall = tp / (tp + fn) C: Precision = tp / (tn + fp), Recall = tp /(tp + fn) D: Precision = tp / (tp + fp), Recall = tp /(tn + fn)
- 关于召回率（recall），以下哪个公式是正确的？ A: Recall=TP/(TN+FN) B: Recall=TP/(TP+FP) C: Recall=TP/(TP+FN) D: Recall=TN/(TP+FN)
- 把原来的正类预测成正类（TP），把原来的正类预测为负类（FN），把负类预测为正类（FP），将负类预测为负类（TN）,召回率定义：R=TP/（TP+FN），如果有60个正样本，40个负样本，算法预测有50个正样本，其中只有40个是真正的正样本，则R=（） A: 4/5 B: 1/3 C: 1/2 D: 2/3
- 下面哪一个模型评估指标不是分类模型评估的（） A: 准确度Accuracy B: 精确度Precision C: 召回率Recall D: MSE