计算Top K准确率和召回率的Python实现

最新推荐文章于 2025-05-04 10:03:06 发布
最新推荐文章于 2025-05-04 10:03:06 发布
阅读量518 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： python 算法 开发语言 Python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/HackDyno/article/details/132787077
Python 专栏收录该内容
266 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何使用Python计算信息检索和推荐系统中的Top K准确率和召回率。通过定义一个函数，根据用户的真实评分和推荐结果，计算两者交集并求平均值，得出平均Top K准确率和召回率。示例代码展示了在前3个推荐结果中，平均准确率为95.83%，召回率为93.33%。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

计算Top K准确率和召回率的Python实现

在信息检索和推荐系统中，评估模型的性能是非常重要的。其中，Top K准确率和召回率是常用的评估指标之一。本文将介绍如何使用Python计算Top K准确率和召回率，并提供相应的源代码。

首先，我们需要明确Top K准确率和召回率的定义。Top K准确率是指在前K个推荐结果中，有多少比例是正确的；而召回率是指在所有正确的结果中，有多少比例被推荐出来了。

接下来，我们将给出计算Top K准确率和召回率的Python实现。假设我们有一个用户对物品的真实评分和推荐模型给出的前K个推荐物品。我们可以通过以下步骤来计算Top K准确率和召回率：

首先，我们需要导入必要的库：

import numpy as np

接下来，我们定义一个函数来计算Top K准确率和召回率：

def calculate_topk_precision_recall
了解本专栏 订阅专栏 解锁全文
实现topK准确率和召回率的Python代码
学习使你进步。
06-03 636
在数据科学领域，准确率和召回率是两个非常重要的指标。准确率表示模型预测正确的样本数占总样本数的比例，而召回率则表示模型成功找出的正样本（即实际值为1）占所有正样本的比例。有时候我们还需要按照置信度排序，获取topK准确率和召回率。在这个示例中，我们生成了100个预测值和实际值，并随机生成了它们的值。然后，我们将它们传递给。这意味着，对于前5个置信度排序，精度为60％，而召回率为37.5％。是前K个置信度排序。它输出两个值，即topK准确率和召回率。函数，并请求返回前5个置信度排序的topK准确率和召回率。
最高K值的精确率和召回率——Python实现
BUG？不存在的！
05-28 190
常用的评估指标是精确率和召回率。当模型预测的结果正确时，我们称其为真阳性 (True Positive, TP)，而当模型预测结果错误时，我们称其为假阳性(False Positive, FP)。同样地，当模型未能检测到真正的正例时，我们称其为假阴性 (False Negative, FN)，而当模型成功预测出负例时，我们称其为真阴性 (True Negative, TN)。我们按照预测概率从高到低排序，并计算最高K值的精确率、召回率和对应阈值。例如，在癌症诊断中，考虑到误诊的后果严重，我们更关注精确率；
准确率(precision)和召回率(recall)
Knight的专栏
10-07 1775
在做图查询或者关键词查询结果中，我们经常采用两个标准来衡量查询结果的优劣。 准确率就是查询结果正确率的百分比。（正确性，多少结果是对的） 召回率就是正确的查询数目所占总的正确数目的比例。（有效性，能检测出多少正确结果） 两者没有必然的联系。比如正确的结果有2000个，对于一个查询Q，返回了500个结果，其中有200个是正确的，那么准确率precision就是200/5
Python----机器学习（模型评估：准确率、损失函数值、精确度、召回率、F1分数、混淆矩阵、ROC曲线和AUC值、Top-k精度）
weixin_64110589的博客
05-04 1903
1. 准确率（Accuracy）：这是最基本的评估指标之一，表示模型在测试集上正确 分类样本的比例。对于分类任务而言，准确率是衡量模型性能的直观标准。2. 损失函数值（Loss）：观察模型在测试集上的损失函数值，可以帮助了解模型的 泛化能力。低损失值表明模型在未见过的数据上的表现较好。3. 精确度（Precision）：精确度是指所有被模型预测为正类的样本中实际为正类 的比例。它关注的是预测为正类的准确性。4. 召回率（Recall）：召回率是指所有实际为正类的样本中被模型正确识别为正类 的比例。
python topk()函数求最大和最小值
qq_40178291的博客
09-08 9913
函数介绍 a.topk()求a中的最大值或最小值，返回两个值，一个是a中的值（最大或最小），一个是这个值的索引。 代码示例 >>> import torch >>> a=torch.randn((3,5)) >>> a tensor([[-0.4790, -0.6308, 0.2370, 0.0380, -0.0579], ...
python TopK算法
xingtianyao的博客
09-20 3521
TopK算法 寻找数组中的最小的k个数，也叫topk问题。 该算法要解决的问题是：在线性时间内找到一个无序序列中第kk大的数。 如：输入n个整数，找出其中最小的K个数。例如输入4,5,1,6,2,7,3,8这8个数字，则最小的4个数字是1,2,3,4,。 思路： 快速排序的 partition() 方法，会返回一个整数 j 使得 a[l…j-1] 小于等于 a[j]，且 a[j+1…...
python topk
颹蕭蕭
12-18 1719
top k
python topk()函数求最大和最小值实例
09-17
主要介绍了python topk()函数求最大和最小值实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
轻松上手Scikit-learn——评估模型性能（准确率、精确率、召回率、ROC和AUC）
qq_36553572的博客
07-31 1851
ROC曲线(接收者操作特征曲线),是一种坐标图式的分析工具，用于选择最佳模型、舍弃次佳的模型或者在同一模型中设置最佳阈值。在做决策时，ROC分析能不受成本／效益的影响，给出客观中立的建议。使用top-k时，按照预测概率从大到小排序，只要从属于真标签的预测概率在前k个之内，便算做正确。一位警察很厉害，抓了很多犯人，但是这些犯人当中，只有少部分真正有罪，其他都是被冤枉的。的 (FPR, TPR) 座标都画在ROC空间里，就成为特定模型的ROC曲线。精确率有时也叫查准率，是指模型的预测结果有多少是准确的。
预测模型的准确率和召回率是评估模型性能的两个重要指标
code_welike的博客
06-17 472
这个例子中，我们的预测模型共有5个类别，对于每个样本，模型输出了一个长度为5的向量表示该样本属于每个类别的概率。我们通过np.argmax函数获取每个样本的预测标签，并使用这些标签计算TopK准确率和召回率。预测模型的准确率和召回率是评估模型性能的两个重要指标。在实际应用中，我们需要找到一个平衡点，使得准确率和召回率都能够达到较高的水平。总之，在实际应用中，我们需要根据具体的需求选择合适的评估指标，并使用相应的函数来计算模型性能。这里我们只计算正类别的召回率。最后，我们用一个例子来测试一下我们的函数。
pytorch的topk()函数
weixin_36670529的博客
05-14 3083
pytorch.topk()用于返回Tensor中的前k个元素以及元素对应的索引值。例： import torch item=torch.IntTensor([1,2,4,7,3,2]) value,indices=torch.topk(item,3) print("value:",value) print("indices:",indices) 输出结果为： 其中：value中存...
topk()函数
weixin_44012667的博客
10-18 385
个值及其对应的索引。这个函数在处理分类问题时尤其有用，因为它可以帮助我们找出模型预测的最可能的类别。是一个在 PyTorch 等深度学习框架中常见的函数，用于从一个张量（tensor）中获取最大的。1. 最大值（或最小值）的张量。2. 对应索引的张量。
python求最值_python topk()函数求最大和最小值实例
weixin_39897505的博客
11-25 392
函数介绍a.topk()求a中的最大值或最小值，返回两个值，一个是a中的值（最大或最小），一个是这个值的索引。代码示例>>> import torch>>> a=torch.randn((3,5))>>> atensor([[-0.4790, -0.6308, 0.2370, 0.0380, -0.0579],[-0.6712, -3.5483, -0.2370, -0.8658, 0.4145]...
Python torch.topk() 函数用法
sweet_tea_的博客
01-05 802
Python torch.topk() 函数用法
python 实现 topk算法
hanhan的博客
01-23 2234
这里的版本是针对的一个class的某一个成员变量进行的： 关于如何定义对象的比较方法，请参考往期文章：python定义对象的比较方法 class province_room_quality_data: def __init__(self, room, quality): self.room = room self.quality = quality def __lt__(self, other): return self.quality &lt
pytorch -- topk()
weixin_36670529的博客
05-08 1103
torch.topk(input, k, dim=None, largest=True, sorted=True, out=None) -> (Tensor, LongTensor) 沿给定dim维度返回输入张量input中 k 个最大值。 如果不指定dim，则默认为input的最后一维。 如果为largest为 False ，则返回最小的 k 个值。 返回一个元组 (values,i...
【Pytorch】topk函数
steptoward的博客
08-06 669
topk 是 PyTorch 中的一个函数，用于从张量中选取最大（或最小）的 k 个元素及其对应的索引。
Python 解决Topk问题
m0_74803157的博客
07-20 846
Topk问题，即是在长度为n的列表中找到最大的（或最小的）k个。
python中最大值函数_python topk()函数求最大和最小值实例
weixin_28221255的博客
02-03 1715
函数介绍a.topk()求a中的最大值或最小值，返回两个值，一个是a中的值(最大或最小)，一个是这个值的索引。代码示例>>> import torch>>> a=torch.randn((3,5))>>> atensor([[-0.4790, -0.6308, 0.2370, 0.0380, -0.0579],[-0.6712, -3.5483...
Top-K准确率
最新发布
05-20
### Top-K Accuracy 的定义 Top-K 准确率是一种衡量模型性能的指标，尤其适用于多类别分类任务。它表示预测结果中前 K 个最高概率的类别是否包含真实标签的概率。具体来说，在一个样本集中，如果某个样本的真实标签位于模型预测的前 K 个高概率类别之中，则认为该样本被正确分类。 其公式可描述如下： \[ \text{Accuracy}_{\text{top-k}} = \frac{\text{Number of samples where true label is in top } k}{\text{Total number of samples}} \] 其中 \(k\) 是指定的数量，通常取值为 1 或更大的整数值。 --- ### PyTorch 中实现 Top-K Accuracy 的方法 在 PyTorch 中可以通过 `torch.topk` 方法高效地提取每行的最大值及其索引位置，并进一步判断这些最大值对应的索引是否匹配目标标签。以下是基于 PyTorch 的实现方式[^1]： ```python import torch def accuracy(output, target, topk=(1,)): """ Computes the accuracy over the k top predictions for the specified values of k. Args: output: Tensor of shape (batch_size, num_classes). target: Tensor of shape (batch_size, ). topk: Tuple of integers specifying which top-k accuracies to compute. Returns: List of tensors containing computed top-k accuracies. """ with torch.no_grad(): maxk = max(topk) batch_size = target.size(0) # 获取每一行最大的maxk个值及其索引 _, pred = output.topk(maxk, dim=1, largest=True, sorted=True) # 转置pred矩阵以便后续操作 pred = pred.t() # 扩展target形状以匹配pred维度并比较两者是否相等 correct = pred.eq(target.view(1, -1).expand_as(pred)) res = [] for k in topk: # 对于当前k值统计有多少样本满足条件 correct_k = correct[:k].reshape(-1).float().sum(dim=0, keepdim=True) # 将准确率转换成百分比形式存储至res列表 res.append(correct_k.mul_(100.0 / batch_size)) return res ``` 此函数接受两个张量作为输入参数：一个是网络输出 logits (`output`)；另一个是实际的目标标签(`target`)。通过调用 `.topk()` 提取出每个样例最可能属于哪几个类别之后再逐一验证是否存在真实的类别标记即可完成整个过程。 #### 使用 NumPy 实现 Top-K Accuracy 除了利用深度学习框架外还可以单纯依靠 Numpy 来达成相同目的。下面展示了一个简单的例子来说明如何仅依赖基础库构建类似的评估机制[^3]: ```python import numpy as np a_real = np.array([[1], [2], [1], [3]]) random_score = np.random.rand(4, 5) a_pred_score = random_score / random_score.sum(axis=1).reshape(random_score.shape[0], 1) def top_k_accuracy(real_labels, predicted_scores, k): ''' Calculate top-k classification accuracy using raw scores and real labels Parameters: -real_labels(ndarray): Ground truth integer-encoded class indices per instance -predicted_scores(ndarray): Predicted probability distribution across all classes per instance -k(int): Number indicating how many highest scoring classes should be considered Return(float): Percentage representing proportion correctly classified instances within top-k guesses out total tested ones ''' n_samples = len(real_labels) idx_top_k_preds_per_sample = (-predicted_scores).argsort()[:, :k] matches = [(label.item() in preds.tolist()) for label,preds in zip(real_labels,idx_top_k_preds_per_sample)] acc = sum(matches)/n_samples *100 return round(acc ,2) print(f'Top-1 Acc:{top_k_accuracy(a_real,a_pred_score,k=1)} %') print(f'Top-2 Acc:{top_k_accuracy(a_real,a_pred_score,k=2)} %') ``` 在这里我们先生成了一些模拟数据用于测试我们的自定义度量标准——即给定一组假想出来的评分数组以及它们对应的实际类别编号向量后就可以很方便地得到任意范围内的精确程度了！ --- ### 结合 Precision@K 和 Recall@K 进一步分析 尽管单独查看 Top-K Accuracy 可以为用户提供关于整体表现的信息，但在某些情况下还需要更细致地考察不同阈值下的精准性和召回情况。此时可以引入 Precision@K 和 Recall@K 概念来进行补充评价[^2]。Precision 表示的是所有被认为是正类别的实例中有多少比例确实是真正的正类别成员；Recall 则反映了全部实际存在的正类别里头有多大份额被成功检测出来了。F1-Score 综合考虑这两方面因素给出平衡后的单一数值代表综合效果的好坏程度。 --- ### 总结 无论是采用高级机器学习工具包还是基本线性代数运算都可以轻松求解出所需的 Top-K Accuracy 值。这对于理解复杂系统内部运作原理或者优化现有解决方案都具有重要意义。同时当面对更加复杂的场景需求时也可以扩展相应的算法逻辑加入更多元化的考量角度从而获得更为全面的认识视角。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值