1、TP、FN、FP、TN

	0	1
0	TP：实际正类预测为正类的数量；	FN：实际正类预测为负类的数量；
1	FP：实际负类预测为正类的数量；	TN：实际负类预测为负类的数量

T=True，F=False，表示是否预测正确；
P=Positive，N=Negative，表示预测结果是正类还是负类。

精确率（被预测为正例的示例中实际为正例的比例）： precision=aa+c=TPTP+FPprecision = \frac{a}{a+c}=\frac{TP}{TP+FP}precision=a+ca=TP+FPTP ；
召回率：recall=aa+b=TPTP+FNrecall = \frac{a}{a+b}=\frac{TP}{TP+FN}recall=a+ba=TP+FNTP ；
准确率（所有实际正例中有多少正例被找到）：accuracy=a+da+b+c+d==TP+TNTP+FN+FP+TN=TP+TNP+Naccuracy = \frac{a+d}{a+b+c+d}==\frac{TP+TN}{TP+FN+FP+TN}=\frac{TP+TN}{P+N}accuracy=a+b+c+da+d==TP+FN+FP+TNTP+TN=P+NTP+TN

2、AP、MAP

参考：

https://blog.csdn.net/weixin_37904412/article/details/80554199
https://blog.csdn.net/Go_On_/article/details/106240483

深度学习基础：评价标准——TP、FN、FP、TN、AP、MAP相关推荐

百度燎原计划2018强势回归开放深度学习工程师评价标准
人工智能时代风口在燃烧,百度希望让每个人都能用上AI.4月20日,百度"燎原计划2018"暨百度AI开发者实战营第二季强势回归,首站北京即放送三大满足各类开发者需求的"超 ...
TP FN FP TN
Rachel-Zhang写的TP FN FP TN ROC True Positive (真正, TP)被模型预测为正的正样本:可以称作判断为真的正确率 True Negative(真负 , TN)被 ...
深度学习模型评价标准
1.查准率,精度(precision)和召回率,查全率(recall) 查准率:预测为正例中实际的正例数比例查全率:有多少个正例被分为正例 ROC曲线横坐标是特异性(FPR):负正类 FP / ( ...
深度学习算法评价标准AP bbox bev 3d
深度学习算法的检测指标深度学习算法测试的数据集一般采用公开的数据集进行训练和测试,比如常用的KITTI数据集. 深度学习算法的检测指标通常由bbox.bev.3d.aos四个检测指标上述四个检测指 ...
深度学习_深度学习基础_评价指标ROC、AUC、AP、mAP详解
ROC和AUC ROC全称是"受试者工作特征"(Receiver Operating Characteristic). ROC曲线的面积就是AUC(Area Under Curve ...
混淆矩阵（TP+FN+FP+TN）
1.定义混淆矩阵就是分别统计分类模型归错类,归对类的观测值个数,然后把结果放在一个表里展示出来.这个表就是混淆矩阵.混淆矩阵其实就是一张表格而已. 以分类模型中最简单的二分类为例,对于这种问题,我们 ...
TP/FN/FP/TN(符号含义)与confusion matrix
TP(True Positive):将正类预测为正类(的数目),真实为0,预测也为0; FN(False Negative):将正类预测为负类(的数目),真实为0,预测为1; FP(False Pos ...
第三章_深度学习基础
文章目录第三章深度学习基础 3.1 基本概念 3.1.1 神经网络组成? 3.1.2神经网络有哪些常用模型结构? 3.1.3如何选择深度学习开发平台? 3.1.4为什么使用深层表示? 3.1.5为 ...
五万字总结,深度学习基础。
文章目录 1 基本概念 1.1 神经网络组成? 1.2 神经网络有哪些常用模型结构? 1.3 如何选择深度学习开发平台? 1.4 为什么深层神经网络难以训练? 1.5 深度学习和机器学习的异同? 2 ...

深度学习基础：评价标准——TP、FN、FP、TN、AP、MAP

1、TP、FN、FP、TN

2、AP、MAP

深度学习基础：评价标准——TP、FN、FP、TN、AP、MAP相关推荐

最新文章

热门文章