精确率(精准度),召回率,准确率:机器学习中关于样本和预测的几个概念
先看一个简单的应用场景:
查询的图片编号为 :c1,c2,c3,c9,c0
样本库中的编号为:s1,s2,s3,s4,s5,s6,s7,s8,
实际情况对应为:
- c1–s1 , c2–s2 , c3–s3
- c9和c0 没有对应
通过模型判定的情况是:
情况A : 查c1 ,模型给出 s1 , —-> 能查到的图片,查到了,—-> 术语 TP
情况B: 查c2 ,模型给出 s7 , —-> 能查到的图片,没查到,—-> 术语 FP
情况C :查c9 ,模型没有输出 —-> 不能查到的图片,没查到 —-> 术语 TN
情况D :查c0 ,模型给出s8 , —-> 不能查到的图片,查到了—–> 术语 FN
术语的详解 TP/TN/FP/FN (形容样本属性 和预测结果的判定 )
- True Positive (TP): “真正” 指被model预测为正的正样本,即判断为真的正确率
- True Negative(TN): “真负” 指被model预测为负的负样本,即判断为假的正确率
- False Positive(FP): “假正” 指被模型预测为正的负样本,即误报率
- False Negative(FN): “假负” 指被模型预测为负的正样本,即漏报率
理解方式:
1. Positive/Negative是用来形容样本的
以图片查找为例,能在图片中查找到为 Positive(c1,c2,c3) ,不能查到到为Negative(c9,c0)
2. True/False 是用来形容模型发的预测结果的
以图片查找为例:
- 能在图片中查到,通过模型也查到了,为True,情况A
- 不能在图片中 查到,通过模型也没有查到,为True ,情况C
- 能在图片中查到,通过模型却没有查到,为False,情况B
- 不能在图片中查到,通过模型却查到了,为False ,情况D
三个衡量指标
精确率(精准度)(precision):
P = TP/(TP+FP) 指被分类器判定正例中的正样本的比重。
都是针对正样本,正样本中通过模型判定正确的比例。
在样本中能够查询到图片中,通过模型真的能查询到的比例。
召回率(Recall):
R=TP/(TP+FN) = 1- FN/T 指的是被预测为正例的占总的正例的比重。
通过模型预测为正的结果中,有多少实际为正的比例。
准确率(Accuracy):
A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN); 反映了分类器对整个样本的判定能力。
也就是说能将正的判定为正,负的判定为负占整个样本的比例。
本文同步发行在简书上 https://www.jianshu.com/p/3444f24eea51
精确率(精准度),召回率,准确率:机器学习中关于样本和预测的几个概念相关推荐
- [白话解析] 通过实例来梳理概念 :准确率 (Accuracy)、精准率(Precision)、召回率(Recall) 和 F值(F-Measure)
[白话解析] 通过实例来梳理概念 :准确率 (Accuracy).精准率(Precision).召回率(Recall)和F值(F-Measure) 文章目录 [白话解析] 通过实例来梳理概念 :准确率 ...
- Python混淆矩阵(confusion_matrix)FP、FN、TP、TN、ROC,FROC,精确率(Precision),召回率(Recall),准确率(Accuracy),F1分数详述与实现
目录 一.FP.FN.TP.TN 二.准确率(Accuracy).精确率(Precision).召回率(Recall).F1score 2.1.准确率(Accuracy) 2.2.召回率(Recall ...
- FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)评价指标详述
来自微信公众号:小白CV关注可了解更多CV,ML,DL领域基础/最新知识;如果你觉得小白CV对您有帮助,欢迎点赞/收藏/转发 在机器学习领域中,用于评价一个模型的性能有多种指标,其中几项就是FP.FN ...
- FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)是什么意思
在机器学习领域中,用于评价一个模型的性能有多种指标,其中几项就是FP.FN.TP.TN.精确率(Precision).召回率(Recall).准确率(Accuracy).这里我们就对这块内容做一个集中 ...
- 多分类任务中精确率(Precision)、召回率(Recall)以及准确率(Accuracy)评估指标的计算
1 三个评价指标的意义 精确率:在**被识别为正类别的样本(预测分类结果)中,确实为正类别的比例是多少 召回率:在所有正类别样本(真实分类结果)**中,被正确识别为正类别的比例是多少? 准确率:在所有 ...
- sklearn预测评估指标计算详解:准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1score
目录 前言 一.准确率 二.精确率 三.召回率 四.F1-score
- 精确率(Precision)、召回率(Recall)与F1值
衡量二分类器的评价指标除了准确率(Accuracy)外,还有精确率(Precision).召回率(Recall).F1 值等. 精确率是针对我们预测结果而言的,它表示的是预测为正的样本中有多少是真正的 ...
- 机器学习中,什么是预测性维护,常见技术有哪些
本文要点: 学习预测性维护系统(PMS),监控未来的系统故障并提前安排维护时间表 探讨如何构建机器学习模型进行系统的预测性维护 了解机器学习的处理步骤,如选择模型以及用Auto-Encoder技术去除 ...
- 机器学习中Batch Size、Iteration和Epoch的概念
机器学习中Batch Size.Iteration和Epoch的概念 Epoch一个epoch指代所有的数据送入网络中完成一次前向计算及反向传播的过程.由于一个epoch常常太大,计算机无法负荷,我们 ...
最新文章
- 使用Python,OpenCV,K-Means聚类查找图像中最主要的颜色
- 自动驾驶发展到了哪个阶段?七大应用场景走进现实
- linux c语言显示器api,API级别的Unicode GUI用于Windows / Linux / Mac的C语言本机应用程序...
- 使用EasyUI Tree异步加载JSON数据 生成树
- linux基础—课堂随笔_03 SHELL脚本编程基础
- JQuery插件开发学习
- mnist手写数字识别python_基于tensorflow的MNIST手写数字识别(二)--入门篇
- MFC学习中遇到的小问题和解决方案
- 【问答】总结|开放领域问答梳理系列(1)
- Python3入门机器学习经典算法与应用 第3章 numpy矩阵运算
- java编译命令是什么_Java编译命令整理
- 关于理财的一点点学习成果(先写这些吧)
- endnote X7 超级初学者教程
- 中国银行网点全集数据
- android RS485串口接线正反的问题
- 如何管理你的客户?别用会员卡积分打折了,把客户变成粉丝
- 2020年1月使用Mac线刷红米Note3全网通
- 第6周作业2-IF语句大显身手之成绩判断(网络131黄宇倩)
- python-伪随机数生成器
- docker 强制使用root进入容器
热门文章
- 经典网工面试题,90%的面试官都会问你这些
- linux dhcp 续租失败,51CTO博客-专业IT技术博客创作平台-技术成就梦想
- 正数、负数、和小数正则表达式 ios_正则表达式详解(基础篇)
- OpenAI提交GPT-5商标申请;韩国室温超导团队称论文存在缺陷,已要求下架;Nim v2.0释出 | 极客头条
- Python控制手机下欢乐五子棋,半天时间1段到9段,90%+的胜率,就无敌
- 输出可调电源的设计思路
- Demo01HTML前端设计
- 2018年12月云栖技术活动最全资料汇总:50+直播与Meetup分享...
- Opencv的imread用法
- 【一步一个脚印】从零开始搭建SSM框架-- 1.1 配置JDK