【周作业3】

LCTLLL

已于 2024-04-21 20:00:02 修改

阅读量744

点赞数 6

文章标签： python 神经网络深度学习

于 2024-04-21 19:55:24 首次发布

本文链接：https://blog.youkuaiyun.com/LCTLLL/article/details/138041795

版权

前言

关于课程《神经网络与深度学习》所做笔记。
本次为第3次作业。

本周课程内容

评价指标

相关概念：

1. TP：被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数
2. FP：被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数
3. FN：被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数
4. TN：被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数

混淆矩阵：

P(精确率）： $TP / (TP + PS)$ ，标识“挑剔”的程度
R(召回率）： $TP / (TP + FN)$ 。召回率越高，准确度越低，标识“通过”的程度
精度( Accuracy)： $(TP + TN) / (TP + FP + TN + FN)$

P-R曲线：

PR 的关系曲线图，表示了召回率和准确率之间的关系，精度准确率越高召回率越低。
在这里插入图片描述

图 1 P-R关系曲线图

示例

假设一个测试集，其中图片只由大雁和飞机两种图片组成

在这里插入图片描述

图 2 测试集示意图 、

1. True positives : 飞机的图片被正确的识别成了飞机；
2. False positives: 大雁的图片被错误地识别成了飞机；
3. False negatives: 飞机的图片没有被识别出来，系统错误地认为它们是大雁；
4. True negatives: 大雁的图片没有被识别出来，系统正确地认为它们是大雁。

假设由CNN得到飞机分类结果如下

在这里插入图片描述

图 3 CNN分类结果示意1
分类为飞机正样本的四张照片中：
1.True positives : 有三个，画绿色框的飞机。
2.False positives: 有一个，画红色框的大雁。分类为大雁负样本的四张照片中：
3.True negatives : 有四个，这四个大雁的图片，系统正确地没有把它们识别成飞机。
4.False negatives: 有两个，两个飞机没有被识别出来，系统错误地认为它们是大雁。

置信度与准确率

调整阈值可改变准确率或召回值

在这里插入图片描述

图 4 CNN分类结果示意2

在刚才例子中，对应某阈值，前四个样本左侧被分类为飞机，改变阈值会改变划分，进一步影响准确率或召回值。
可以通过改变阈值（也可以看作上下移动蓝色的虚线），来选择让系统识别能出多少个图片，当然阈值的变化会导致Precision与Recall值发生变化。比如，把蓝色虚线放到第一张图片下面，也就是说让系统只识别出最上面的那张飞机图片，那么 Precision 的值就是100%，而 Recall 的值则是20%。如果把蓝色虚线放到第二张图片下面，也就是说让系统只识别出最上面的前两张图片，那么Precision的值还是100%而Recall的值则增长到是40%。