目标检测中精确率,召回率,准确率的意思
先看几个缩写:
下面两行都是被你预测为正类的数据:
TP(True Positive):正确的正类。(实际样本是正样本,你正确地判断成了正样本)
FP(False Positive): 错误的正类。(实际样本是负样本,你错误地把它当成了正样本)
下面两行都是被你预测成了负类的数据:
TN(True Negative):正确的负类,把负样本预测为负。(你预测对了)
FN(False Negative):错误的负类,把正样本预测为负。(你预测错了)
所以 Positive / Negative 是你预测的结果,你把那些样本预测成了 正类 / 负类 。
True / Flase 表示你的结果正确与否。不管你预测成正类或负类,True就是你预测对了,Flase就是你预测错了。
图1
结合上面的解释和图示就很好理解了,在图中:
左边全是正类(绿色圈圈),个数是42个。
右边全是负类(红色圈圈),个数也是42个。
图中共有4个区域:
- 在正类中:
- 预测对了:被预测为正类的(TP,True Positive)的个数是32个。
- 预测错了:被预测为负类的(FN,False Negative)的个数是10个。
- 在负类中:
- 预测错了:被预测为正类的(FP,Flase Positive)的个数是14个。
- 预测对了:被预测为负类的(TN,True Negative)的个数是28个。
下面结合图示进行分析:
精确率(Precision)
P = T P T P + F P P = {\frac {TP} {TP+FP}} P=TP+FPTP
所以精确率就是,在所有被你预测为正类的数据中,预测对的(真正的正类)占多少。
按照图1
的例子,这里精确率就是:
P = T P T P + F P = 32 32 + 14 = 32 46 = 69.565 % P = {\frac {TP} {TP+FP}}={\frac {32} {32+14}}={\frac {32} {46}}=69.565\% P=TP+FPTP=32+1432=4632=69.565%
很遗憾,精确率不是很高,看着分母你会想,要是 FP(Flase Positive) 再少一点就好了。然而,就算 Flase Positive 为 0 也不够,虽然此时 P = 100 % P=100\% P=100% ,但是在正类里面你还没有全部预测对,还漏了10个正类。
图2 精确率示意图
召回率(Recall)
R = T P T P + F N R = {\frac {TP} {TP+FN}} R=TP+FNTP
所以召回率就是,在所有真正的正类中,你成功预测到的占了多少。
按照图1
的示例,这里召回率是:
R = T P T P + F N = 32 32 + 10 = 32 42 = 76.19 % R = {\frac {TP} {TP+FN}}={\frac {32} {32+10}}={\frac {32} {42}}=76.19\% R=TP+FNTP=32+1032=4232=76.19%
怎样提高召回率?请看看公式或者看图。
图3 召回率示意图
准确率(Accuracy)
a c c = T P + T N T P + F P + T N + F N acc = {\frac {TP+TN} {TP+FP+TN+FN}} acc=TP+FP+TN+FNTP+TN
所以准确率就是,在所有样本中,你预测对的占多少。
哪些是预测对的?正类里面你预测到了几个正类 + 负类里面你预测到了几个负类。
按照图1
的示例,这里准确率是:
a c c = T P + T N T P + F P + T N + F N = 32 + 28 32 + 10 + 28 + 14 = 32 + 28 84 = 71.43 % acc = {\frac {TP+TN} {TP+FP+TN+FN}}={\frac {32+28} {32+10+28+14}}={\frac {32+28} {84}}=71.43\% acc=TP+FP+TN+FNTP+TN=32+10+28+1432+28=8432+28=71.43%
目标检测中的准确率:
由于目标检测中没有 TN(因为预测框太多,低于得分的都直接去掉了,没有加入评价指标中),所以这里令 TN 为 0。
所以
a c c = T P + T N T P + F P + T N + F N = T P T P + F P + F N \begin{aligned} acc &= {\frac {TP+TN} {TP+FP+TN+FN}} \\[1em] & = \dfrac{TP}{TP+FP+FN} \end{aligned} acc=TP+FP+TN+FNTP+TN=TP+FP+FNTP
T P + F N TP + FN TP+FN 就是所有的真实目标,设为单位 1 1 1;那么 T P = 1 ∗ R TP=1 * R TP=1∗R,就是召回。
F P = T P P − T P = R P − R FP = \dfrac{TP}{P} - TP = \dfrac{R}{P} - R FP=PTP−TP=PR−R。
所以
a c c = R 1 + F P = R 1 + R P − R = R P P + R P − P R P = P R P + R − P R \begin{aligned} acc &= \frac {R} {1+ FP} \\[2em] & = \dfrac{R}{1+\dfrac{R}{P} - R} \\[2em] & = \dfrac{R}{\dfrac{P}{P} + \dfrac{R}{P} - \dfrac{PR}{P}} \\[2em] & = \dfrac{PR}{ P + R - PR} \end{aligned} acc=1+FPR=1+PR−RR=PP+PR−PPRR=P+R−PRPR
目标检测中精确率,召回率,准确率的意思相关推荐
- 目标检测中准确率accuracy的计算(precision是精度、查准率)(Recall是召回率、查全率)
准确率定义为: 查准率P和查全率R分别定义为: 查准率关心的是"预测出正例的正确率"即从正反例子中挑选出正例的问题. 查全率关心的是"预测出正例的保证性"即从正 ...
- 【机器学习入门】(13) 实战:心脏病预测,补充: ROC曲线、精确率--召回率曲线,附python完整代码和数据集
各位同学好,经过前几章python机器学习的探索,想必大家对各种预测方法也有了一定的认识.今天我们来进行一次实战,心脏病病例预测,本文对一些基础方法就不进行详细解释,有疑问的同学可以看我前几篇机器学习 ...
- 精度,精确率,召回率_了解并记住精度和召回率
精度,精确率,召回率 Hello folks, greetings. So, maybe you are thinking what's so hard in precision and recall ...
- 机器学习(15)精确率召回率F1-score(查看癌症预测结果的精确率、召回率)
目录 一.基础理论 1.混淆矩阵 2.精确率 3.召回率 4.F1-score 二.查看癌症预测结果的精确率.召回率 API 查看癌症预测结果的精确率.召回率 总代码 一.基础理论 1.混淆矩阵 预测 ...
- 机器学习中精准率/召回率/PR曲线/AUC-ROC曲线等概念
目录 TP/TN/FP/FN accuracy(准确率) precision(精确率/查准率) recall(召回率/查全率) F1分数与Fβ分数 PR曲线(precision recall curv ...
- 算法评价指标:准确率+精准率+召回率
评价指标: (1)(True Postive TP): 若一个实例是正类,但是被预测成为正类,即为真正类 (2)(True Negative TN): 若一个实例是负类,但是被预测成为负类,即为真负类 ...
- 深度神经网络在基于视觉的目标检测中的应用
简 介: 目标检测是计算机视觉的一个重要应用方向,深度神经网络的提出极大地帮助基于视觉的目标检测提高了准确度.自2014年以来,深度神经网络在基于视觉的目标检测中被广泛应用,出现了多种算法.本文分别讨 ...
- 综合评价模型的缺点_【必备】目标检测中的评价指标有哪些?
在人工智能领域,机器学习的效果需要用各种指标来评价.当一个目标检测模型建立好了之后,即模型训练已经完成,我们就可以利用这个模型进行分类识别.那么该如何去评价这个模型的性能呢? 上期我们一起学习了全卷积 ...
- 通俗地讲解目标检测中AP指标
声明:以下内容全是我的个人见解,如有问题,欢迎指正! AP(Average Precision)即平均精度,是目标检测中的一个常用指标. 一.精确率和召回率 说道AP,那不得不提准确率和召回率.首先我 ...
- 【论文阅读】目标检测中的分类回归特征解耦
论文来源:知网 以下仅仅是学习过程中的部分笔记,用作自己复习. 摘要 ..... 目标检测不仅需要判别图像中存在的目标的类别,还需要回归目标在图像中的位置. 特征耦合具体表现:分类和回归部分的网络共享 ...
最新文章
- 摩卡业务服务管理(Mocha BSM)解决方案
- 虚拟主机升级服务器,云虚拟主机升级云服务器
- 读取TFrecord
- cocos2dx 开启控制台
- linux下用c语言写黄金矿工,C语言写的黄金矿工O(∩_∩)O---初稿,能玩了
- 2017级软件2班安卓应用开发课程主页
- Python数据可视化1.5 可视化图像
- Ubuntu16.04再次装机记
- CentOS7下Tomcat启动慢的原因及解决方案
- 北邮 形式语言与自动机
- 信息论相对熵的凸性证明
- 山石网科Hillstone防火墙L2TP详细配置步骤(官方最新版)
- luogu1330 封锁阳光大学
- 向量的加减(运算符重载)
- Maven 私服 Nexus 的部署及项目应用
- 20张高清数据分析全知识地图,拿去吧你
- mumu按键精灵_魂器学院,新手做的按键精灵脚本,基本每天的日常任务可做,mumu模拟器的...
- 如何分析多个宅急送物流详情,并筛选代收单号
- Linux服务器卡顿如何排查
- 天水訟 (易經大意 韓長庚)