TP FP TN FN
转自:
链接:https://www.zhihu.com/question/19645541/answer/91694636
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
纠正下,精确率(precision)和准确率(accuracy)是不一样的,题主问的应该是精确率与召回率之间的差别。
一.定义辨析
刚开始接触这两个概念的时候总搞混,时间一长就记不清了。
实际上非常简单,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正样本。那么预测为正就有两种可能了,一种就是把正类预测为正类(TP),另一种就是把负类预测为正类(FP),也就是
而召回率是针对我们原来的样本而言的,它表示的是样本中的正例有多少被预测正确了。那也有两种可能,一种是把原来的正类预测成正类(TP),另一种就是把原来的正类预测为负类(FN)。
其实就是分母不同,一个分母是预测为正的样本数,另一个是原来样本中所有的正样本数。
<img src="https://pic3.zhimg.com/50/d701da76199148837cfed83901cea99e_hd.png" data-rawwidth="400" data-rawheight="727" class="content_image" width="400">在信息检索领域,精确率和召回率又被称为在信息检索领域,精确率和召回率又被称为查准率和查全率,
查准率=检索出的相关信息量 / 检索出的信息总量
查全率=检索出的相关信息量 / 系统中的相关信息总量
二.举个栗子
假设我们手上有60个正样本,40个负样本,我们要找出所有的正样本,系统查找出50个,其中只有40个是真正的正样本,计算上述各指标。
- TP: 将正类预测为正类数 40
- FN: 将正类预测为负类数 20
- FP: 将负类预测为正类数 10
- TN: 将负类预测为负类数 30
准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
精确率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3
除此之外,还有ROC曲线,PR曲线,AUC等评价指标,可以参见我的博客:机器学习性能评估指标
TP FP TN FN相关推荐
- 正解TP/FP/TN/FN评价指标
问题 机器学习分类任务中常见的指标有TP/FP/TN/FN四种,初学者往往很难区分这四个概念.本文将采用简洁的方式,清晰的介绍四者之间的区别. 区别 四个 指标中,TP和TN是比较好理解的,FP和FN ...
- 真阳假阳真阴假阴指标(TP,FP,TN,FN)精度Precision 准确率Accuracy 召回率Recall 总结
检测相关指标(TP,FP,TN,FN)总结表格 指标 定义 公式 备注 真阳性 (True Positive, TP) 预测为阳性,实际为阳性 - - 假阳性 (False Positive, FP) ...
- AUC TP FP TN FN recall fpr 混淆矩阵
TPR/FPR /召回率/精确率 TPR=召回率,正样本中预测正确的占比: FPR:负样本中预测为正样本的占比,也就是负样本中预测错误的占比 from sklearn import metrics y ...
- tp,fp,tn,fn的计算
为了计算precision和recall,与所有机器学习问题一样,我们必须鉴别出True Positives(真正例).False Positives(假正例).True Negatives(真负例) ...
- 机器学习基础一(TP,TN,FP,FN等)
TP:预测为正向(P),实际上预测正确(T),即判断为正向的正确率 TN:预测为负向(N),实际上预测正确(T),即判断为负向的正确率 FP:预测为正向(P),实际上预测错误(F),误报率,即把负向判 ...
- 一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
TP.FP.FN.TN 分类中TP.FP.FN.TN含义 目标检测中TP.FP.FN.TN的含义 precision .recall .accuracy precision recall accura ...
- TP、TN、FP、FN
True Positive (真正, TP)被模型预测为正的正样本: True Negative(真负 , TN)被模型预测为负的负样本 : False Positive (假正, FP)被模型预测为 ...
- 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 ...
- 机器学习TP FP FN TN评价指标
TP.TN .FP .FN: T --true 表示正确 F--false 表示错误 P-- positive 表示积极的,看成正例 N--negative 表示消极的,看成负例 我的理解:后面为预 ...
最新文章
- Nginx——location配置
- Chrome 技术篇-常用web调试技巧清除缓存并硬性重新加载
- H5视频之video.js播放rtmp直播源和hls直播源
- 无人机飞控开发平台培训理论课程——飞行原理
- 《算法竞赛入门经典》 例题3-5 生成元 (Digit Generator, ACM ICPC Seoul 2005,UVa)
- [html] 请使用一个div写出有三条横线的小图标
- 数据结构-线性表之循环队列
- 优化模型实验报告_BERT微调效果不佳?试试这种大规模预训练模型新范式
- zw版【转发·台湾nvp系列Delphi例程】HALCON HistoToThresh1
- 观察者模式 - dom事件 / 自定义事件 / Promise 我的理解
- 图论邮递员问题程序代码_图论的简短实用程序员指南
- maven添加阿里云仓库
- 汽车软件行业工程师详细介绍?(上)
- linux 编辑文件命令
- 图像处理:Yxy、XYZ颜色空间介绍及RGB转换公式
- CSS 样式,如何计算临近颜色值?
- Go slice和arry的区别
- SpringBoot中注入RedisTemplate实例异常解决
- 大整数的乘法、加法、减法
- MySql 查重、去重的实现
热门文章
- 朝韩危机-Python模拟导弹互射
- [日语二级词汇]日语二级必会汉字总结6
- 惊艳短句“宇宙山河浪漫生活点滴温暖”
- pta mysql 训练题集 ( 61-80 )
- windows下安装php相关
- DCT-Net 水记(用于 人脸风格化 的 小样本 图像翻译,无需反演,无需构造配对图片)
- 2023年,我想成为一名前端架构师
- 解决SecureCRT小键盘乱码
- cics oracle xad_cics oracle xad_可以从大型机直接升级Oracle数据库吗?
- Meta 标签与搜索引擎优化