清晰理解precision(精确度)和recall(召回度)
1、TP TN FP FN的概念
TP TN FP FN里面一共出现了4个字母，分别是T F P N。
TP（True Positives）意思就是被分为了正样本，而且分对了。
TN（True Negatives）意思就是被分为了负样本，而且分对了，
FP（False Positives）意思就是事实上这个样本是负样本，但是你当成正的了。误报！
FN（False Negatives）意思就是事实上这个样本是正样本，但是你没识别出来。漏报！
2、precision（精确度）和recall（召回率）
Precision=TP/(TP+FP)Precision=TP/(TP+FP) Precision=TP/(TP+FP)
precision可以理解为“模型认为正确且确实是正确的样本占模型认为正确的所有样本的概率”，他由于少了FN，所以不适合漏报的情况
如果你单单只看精确度的话，极端些把FP=0，也就是误报几率为0，这样精确度就是100%，模型识别出来的就一定是真的，但是真的模型不一定识别的出来
Recall=TP/(TP+FN)Recall= TP/(TP+FN) Recall=TP/(TP+FN)
recall可以理解为“模型认为是正确且确实是真确的样本占所有正确的样本的概率”，他少了FP，所以不适合误报的情况
如果你单单只看召回度的话，极端些把FN=0，也就是漏报几率为0，这样召回度就是100%，只要是真的模型就一定识别的出来，但假的模型也有可能识别出来
这两者各有所长，就比如火灾检测，宁愿检错100假的也不愿放过1个真的，那么以recall(召回度)为主作为参考也可以了，比如质量监控，一箱产品只要有一个是坏的整箱就得退回，那么我宁愿100个里面只有一个品控过关也不愿意夹杂一个残缺品，这时候可以把precision(精确度)作为主要参考了
当然我说的都是极端环境下的情况，大部分比如行人车辆检测，动物检测，这些都是两者综合考虑，取一个最优解
清晰理解precision(精确度)和recall(召回度)相关推荐
- 深度学习参数对模型的影响：Loss(损失）、方差、Precision(精确度)、Recall（召回率
损失.方差.precision_精确度.recall_召回率对模型的影响 深度学习之Metrics 一. 偏差.方差.精确率.召回率 四个概念 二.一个好的模型对这几个指标有什么样的要求? 三. 基于 ...
- 如何理解Precision和Recall?
如何理解Precision和Recall? Precision ,在预测结果中,正确预测了多少?P可以联想到pedict,预测: Recall,在真实样本中,正确预测了多少?R可以联想到real,真实 ...
- Precision(精确率，正确率)， Recall(召回率，查全率)，Accuracy(准确率)，F-Measure(F值)...
一.指标概念 TP - 将正类预测为正类 FN - 将正类预测为负类, 类似假设检验中的第一类错误,拒真 FP - 将负类预测位正类,类似假设检验中的第二类错误,取伪 TN - 将负类预测位负类 假设 ...
- 通俗理解查准率(precision)和查全率(recall)
对于二分类而言:即非True即False. 1.先用通俗的话说一遍: 查准率(precision):一句话简单的说,即你认为是True的样本中,到底有多少个样本是真为True. 查全率(recall) ...
- classification_report进阶：针对top-k的结果计算precision@k、recall@k、f1-score@k
sklearn自带的classification_report方法可以针对二分类或多分类问题,计算分类器的precision.recall和f1-score. 示例: from sklearn.met ...
- python计算precision@k、recall@k和f1_score@k
sklearn.metrics中的评估函数只能对同一样本的单个预测结果进行评估,如下所示: from sklearn.metrics import classification_reporty_tru ...
- 准确理解 Precision 准确率, Recall 召回率 , IoU
目录 Precision和Recall IOU Precision和Recall 下面是几个常见的模型评价术语,假设我们的分类目标只有两类,计为正例(positive)和负例(negtive)扥别是: ...
- 理解查全率(precision)与查准率(recall)
理解查全率与查准率 1. 概念解读 2. F1F_1F1度量 3. FβF_\betaFβ度量 1. 概念解读 在一个二分类问题中,非对既是错 真实情况\预测情况 positive negativ ...
- 手推多分类precision(精确率)、recall(召回率)、F1分数
文章目录 样例 混淆矩阵 precision.recall.F1分数介绍 多分类 macro.micro.weighted 样例 本文使用以下样例来计算混淆矩阵.precision.recall和F1 ...
最新文章
- 详解：操作符的优先级
- SpringBoot服务整合（整合邮件服务、定时调度、Actuator监控）
- org.hibernate.service.ServiceRegistryBuilder被弃用
- C++ STL 容器之 deque简单使用
- python打印二进制内容_在python中打印出c类型的二进制表示
- Ride to Office（信息学奥赛一本通-T1227）
- Windows 10标题栏显示颜色
- ug侧铣头编程_数控UG编程，四轴前倾角和侧倾角
- Android沉浸式(侵入式)标题栏(状态栏)Status（三）
- office 2010
- 仰睇天路，俯促鸣弦。神仪妩媚，举止详妍
- Linux led_class子系统
- 程序员的三行代码情书
- 论文阅读Construction of Refined Protein Interaction Network for Predicting Essential Proteins
- 苹果手机删除的视频怎么找回
- Linux常用命令学习-base64
- 简洁、快速、节约内存的Excel处理工具EasyExcel
- ALCOA+CCEA原则（数据完整性标准）
- BUUCTF misc 专题（25）神秘龙卷风
- 编制程序完成下述任务：接受两个数，一个为用 户一年期定期存款金额，一个为按照百分比格式表示的利率；程序计算一年期满后本金与利息总额。说明：（1）存款金额以人民币元为单位，可能精确到分； （2）输入利率