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
A: 4/5
B: 1/3
C: 1/2
D: 2/3
举一反三
- 【单选题】混淆矩阵中假负是指() A. 模型预测为正的正样本 B. 模型预测为负的正样本 C. 模型预测为正的负样本 D. 模型预测为负的负样本
- 下列对混淆矩阵说法正确的是（）。 A: TP：将正样本识别为正样本的数目（概率） B: FP：将负样本识别为正样本的数目（概率） C: FN：将正样本识别为负样本的数目（概率） D: TN：将负样本识别为正样本的数目（概率）
- 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
- 中国大学MOOC: 假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则分类的召回率是 （要求：用小数表示，且保留小数点后两位）。实际类别预测类别正例负例总计正例TP=40FN=30P(实际为正例)=70负例FP=10TN=20N(实际为负例)=30表中数据项的含义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；Truenegatives(TN):被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
- 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）？