TP、TN、FP，从高级到实战讲的太清楚了

最新推荐文章于 2025-03-19 15:56:58 发布
最新推荐文章于 2025-03-19 15:56:58 发布
阅读量672 收藏 7
点赞数 5
分类专栏： 2024年程序员学习 文章标签： python 开发语言
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/code8889/article/details/137241275
版权

以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。

  • TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜）

  • TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜）

  • FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是被模型预测为了好瓜）

  • FN：被模型预测为坏瓜的好瓜（瓜是真正的好瓜，但是被模型预测为了坏瓜）

三、查准率、查全率

还是以西瓜数据集为例

（1）查准率、查全率代表的含义

  • 查准率：模型挑出来的西瓜中有多少比例是好瓜

  • 查全率：所有的好瓜中有多少比例是被模型挑出来的

（2）如何计算查准率、查全率

查准率用P来表示：
在这里插入图片描述
查全率用R来表示：

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Java工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Java开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
img
img
img
img
img
img

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Java开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024b （备注Java）
img

最后

手绘了下图所示的kafka知识大纲流程图（xmind文件不能上传，导出图片展现），但都可提供源文件给每位爱学习的朋友

image.png

片展现），但都可提供源文件给每位爱学习的朋友

[外链图片转存中…(img-gdntmYw9-1711964590226)]

万字长文精解目标检测中的TP、FP、FN、TN、Precision、Recall 、 F1 Score、AP、mAP与AR 。附代码实现。
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-16 7505
mAP（Mean Average Precision）是用于评估对象检测和信息检索系统性能的重要指标。它综合考虑了检测结果的精确度（Precision）和召回率（Recall），提供了一个整体的性能评价。你是否见过下面的表格？这是COCO版本的mAP（即平均精度，他们简称之为AP）。但这个指标到底代表什么呢？这些符号又都代表什么含义呢？在本文中，我们将详细讲解所有必要的理论知识，不仅帮助你解读表格中的数据，还能让你理解采用这种复杂指标的必要性。
AI模型部署到云原理与代码实战案例讲解
AI天才研究院
06-07 349
1.背景介绍 随着人工智能 (AI) 技术的快速发展，AI 模型的部署已经成为一个热门的话题。部署到云平台是一个常见的选择，因为云平台提供了强大的计算能力和灵活的扩展性。然而，将 AI 模型部署到云平台并不是一个简单的任务，它涉及到许多复杂的技术问题。本文将详细介绍 AI 模型部署到云的原理，并通过代码实战案例进行讲解。
“深入理解机器学习性能评估指标：TP、TN、FP、FN、精确率、召回率、准确率、F1-score和mAP”
halo的博客
11-06 1万+
通俗来说，准确率回答了“模型总的预测有多准”的问题；召回率回答了“模型对正例的识别能力有多强”的问题；mAP则是用于复杂任务的一个更为全面的评估指标；而F1-score则是尝试将精确率和召回率结合起来，给我们一个更为综合的评估结果。这些指标可以帮助我们更全面地了解模型的性能，从而选择或优化模型。TP：模型说“这个人有病”，实际上这个人也真的有病。TN：模型说“这个人没病”，实际上这个人也确实没病。FP：模型误诊了健康人为病人。FN：模型漏诊了真正的病人。精确率：模型说“有病”的人中，真正有病的比例。
TP, FP, TN, FN
jikuibu
02-17 822
 
【目标检测基础】TP/FP/TN/FN与目标检测的关系
最新发布
weixin_64678498的博客
03-19 501
在目标检测任务中，模型性能的评估直接影响算法优化方向。了解TP/FP/TN/FN四大基础指标，是掌握。、mAP（平均精度均值）等高级指标的前提。：使用更高分辨率的特征图（如YOLOv3的3尺度检测）：使用多尺度特征融合网络（如FPN）增强小目标检测。：IoU=0.5（PASCAL VOC标准）：IoU=0.75（COCO数据集部分任务）：通过NMS（非极大值抑制）减少重复检测。🔍 诊断模型问题（如过拟合、欠拟合）：通常忽略（因背景区域无限多）：降低分类阈值，增加候选框数量。：小目标检测中FN过高。
一文记住什么是TP/TN/FP/FN？
Joy T的博客
10-25 9330
这些工具和指标提供了评估和比较不同模型性能的方法，帮助研究者和工程师确定哪个模型在特定任务上的性能最好。而在实践中，根据应用的具体需求，可能需要关注某些指标多于其他指标。例如，医学测试中的 FN 可能比 FP 更为关键，因为遗漏一个病例的后果可能比误诊更严重。
关于TP，TN，FP，FN的笔记
Bean的博客
08-19 576
在深度学习中，经常会用到TP, FP, TN, FN的概念。 这里以车car类别举例 TP: 真实情况是属于car类别，并且正确识别为car类别 FN： 真实情况是car类别，但是没有被识别为car类别 FP: 真实情况是不属于car类别，但是被识别为car类别 TN: 真实情况是不属于car类别，并且识别时没有被识别为car类别 ...
通俗理解TP、FP、TN、FN
xkx_07_10的博客
09-19 489
F1分数（F1-Score）：2 * (Precision * Recall) / (Precision + Recall) = 2 * (0.5455 * 0.2727) / (0.5455 + 0.2727) ≈ 0.3636 (约为0.36)准确率（Accuracy）：(TP + TN) / (TP + TN + FP + FN) = (12 + 16) / (12 + 16 + 10 + 32) = 28 / 70 ≈ 0.4。TP（真正例）：实际标签为1，模型预测为1的数量。
构建完整的Python客户分群流程：从基础到高级的实战指南
[构建完整的Python客户分群流程：从基础到高级的实战指南](http://hptpedia.hyper-trade.com/content/images/2023/02/image-3.png) # 摘要 本文系统性地介绍了客户分群的概念、重要性、以及通过Python实现客户分群...
[Python从零到壹] 十三.机器学习之聚类算法四万字总结全网首发（K-Means、BIRCH、树状聚类、MeanShift）
杨秀璋的专栏
07-06 1万+
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望
YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例
热门推荐
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-06 3万+
大家好！欢迎阅读本专栏。本专栏涵盖了YOLO8中C2f、主干网络、检测头、注意力机制、Neck等多种结构的创新，同时也包括了 YOLO相关的基础知识以及相关项目。
TP、TN、FP、FN白话解析，看这一篇就够了
Java_Web_Android的博客
11-27 5323
TP、TN、FP、FN通俗易懂 白话理解
TP FN FP TN
power0405hf的专栏
12-28 1万+
Rachel-Zhang写的TP FN FP TN ROC True Positive （真正, TP）被模型预测为正的正样本；可以称作判断为真的正确率True Negative（真负 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率False Positive （假正, FP）被模型预测为正的负样本；可以称作误报率False Negative（假负 , FN）被模型预测为负的正样本
TP　TN　FP　FN含义
weixin_44196792的博客
07-08 1919
FN：False Negative,被判定为负样本，但事实上是正样本。 FP：False Positive,被判定为正样本，但事实上是负样本。 TN：True Negative,被判定为负样本，事实上也是负样本。 TP：True Positive,被判定为正样本，事实上也是证样本。 这里的正样本和负样本与检索的关系就是：你认为为正样本的应该都出现在检索结果中，而你认为为负样本的应该不出现在检索结果...
对于TP, TN, FP, FN, Pre, Recall的举例
tangxianyu的博客
01-12 1581
FN为预测为0，但是预测错了，真值为1的值，即图中浅绿色底色的值，共有2个；FN为预测为1，但是预测错了，真值为0的值，即图中浅绿色底色的值，共有4个；FP为预测为1，但是预测错了，真值为0的值，即图中红色底色的值，共有4个；FP为预测为0，但是预测错了，真值为1的值，即图中红色底色的值，共有2个；TP为预测为0，真值也为0的值，即图中深绿色底色的值，共有4个；TP为预测为1，真值也为1的值，即图中深绿色底色的值，共有5个；TN为预测为0，真值也为0的值，即图中橙色底色的值，共有4个；
【一文看懂】深度学习中常用的各项评价指标含义TP、FP、TN、FN、Accuracy、Recall、F1、IoU、mIoU
qq_27816785的博客
06-26 1万+
无论是对于图像领域的分类、分割问题，亦或点云领域的物体分类、场景分割，在评价一个模型的好坏时，经常涉及TP、FP、TN、FN、IoU、Accuracy。。。等指标进行衡量，那么这些指标是什么意思呢？我请到了鸭子先生、猴子客人和熊猫管家来给大家亲身示范一下。咦！发现10个可爱的小动物，可是我们不知道是什么动物，要不用深度学习分一下类吧？ 这个时候我们直接掏出训练好的，把这些小动物丢进去，一番等待之后，我们有了以下的预测结果： 很明显，模型并没有非常完美的完成任务。但是如何评价它呢？对某一来讲：T = tru
TP、TN、FP、FN 含义
weixin_40237209的博客
06-30 8816
什么是TP、TN、FP以及FN
真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式
qq_43617906的博客
08-15 6940
真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式。混淆矩阵
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