F1-score, 召回率，准确率，MAP

最新推荐文章于 2025-07-09 21:37:50 发布
最新推荐文章于 2025-07-09 21:37:50 发布
阅读量2.8k 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 小札 文章标签： 知识介绍
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/lijunweiyhn/article/details/52434032
本文介绍了手写数字识别任务中的评估指标，包括准确率、召回率及F1-score的定义和计算方法，并举例说明了这些指标的具体含义。

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

用手写数字识别来作为说明。
准确率： 所有识别为”1”的数据中，正确的比率是多少。 
如识别出来100个结果是“1”， 而只有90个结果正确，有10个实现是非“1”的数据。 所以准确率就为90%

召回率： 所有样本为1的数据中，最后真正识别出1的比率。 
如100个样本”1”, 只识别出了93个是“1”， 其它7个是识别成了其它数据。 所以召回率是93%

F1-score:  是准确率与召回率的综合。 可以认为是平均效果。


详细定义如下：
对于数据测试结果有下面4种情况：
TP: 预测为正， 实现为正
FP: 预测为正， 实现为负
FN: 预测为负，实现为正
TN: 预测为负， 实现为负

准确率： TP/ (TP+FP) 
召回率： TP(TP + FN)
F1-score: 2*TP/(2*TP + FP + FN) 


MAP(Mean Average Precision)：

    单个主题的平均准确率是每篇相关文档检索出后的准确率的平均值。主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高)，MAP就可能越高。如果系统没有返回相关文档，则准确率默认为0。
例如：假设有两个主题，主题1有4个相关网页，主题2有5个相关网页。某系统对于主题1检索出4个相关网页，其rank分别为1, 2, 4, 7；对于主题2检索出3个相关网页，其rank分别为1,3,5。对于主题1，平均准确率为(1/1+2/2+3/4+4/7)/4=0.83。对于主题2，平均准确率为(1/1+2/3+3/5+0+0)/5=0.45。则MAP= (0.83+0.45)/2=0.64。”


f1 score 代码_机器学习中的F1-score
weixin_39796868的博客
12-19 3203
一、什么是F1-scoreF1分数(F1-score)是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为：G分数是另一种统一精确...
机器学习中的F1-score
weixin_30810239的博客
09-13 5591
一、什么是F1-score F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。 此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精...
准确率、精确率、召回率、F1-score
最新发布
Doris525763324的博客
07-09 855
本文介绍了分类模型评估中的重要指标——F1-score，它综合了精确率和召回率，适用于样本不均衡的场景。首先解释了TP、FP、FN、TN等基本概念，然后详细区分了准确率、精确率和召回率的计算方法和含义。通过红球分类和情感分析两个具体示例，展示了如何计算各类指标。在情感分析案例中，分别计算了正面、负面和中立三类别的F1-score，并最终得出0.63的综合评分。文章指出F1-score能平衡精确率和召回率，但在不同业务场景下可能需要侧重不同指标，如误报成本高时关注精确率，漏报成本高时关注召回率。
F1-score
weixin_46348136的博客
07-11 3682
仅记录个人学习
F1分数（F1-Score）
weixin_44299786的博客
09-22 1万+
精确率（Precision）是指分类器正确预测为正例的样本数量（True Positives，TP）与所有被分类为正例的样本数量（True Positives + False Positives，TP + FP）的比值。召回率（Recall）是指分类器正确预测为正例的样本数量（True Positives，TP）与所有实际正例的样本数量（True Positives + False Negatives，TP + FN）的比值。F1分数是精确率和召回率的调和平均值，用于综合考虑分类器的性能。
机器学习：分类、多分类、回归模型的评估
热门推荐
皮皮blog
09-18 7万+
http://blog.youkuaiyun.com/pipisorry/article/details/52574156 衡量分类器的好坏 对于二类分类器/分类算法，评价指标主要有accuracy， [precision，recall，F-score，pr曲线]，ROC-AUC曲线，gini系数。 对于多类分类器/分类算法，评价指标主要有accuracy， [宏平均和微...
深度学习中准确率、精确率、召回率、误报率、漏报率、F1-Score、AP&mAP、ROC曲线、AUC、MAE、MAPE、MSE、RMSE、R-Squared等指标的解释说明
yueguang8的博客
03-20 1万+
在深度学习学习中，有许多常用的评估指标用于衡量模型的性能。下面是一些常见的指标及其定义和说明。关键名字解释：TP表示真正例（True Positive），即模型正确预测为正例的样本数量；TN表示真负例（True Negative），即模型正确预测为负例的样本数量；FP表示假正例（False Positive），即模型错误地将负例预测为正例的样本数量；FN表示假负例（False Negative），即模型错误地将正例预测为负例的样本数量。
“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。
口罩识别模型评估指标解读：mAP、F1-score、准确率，全面衡量模型表现
[口罩识别模型评估指标解读：mAP、F1-score、准确率，全面衡量模型表现](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/3bb50a0f2a8547bda9a495fc67ac8206~tplv-k3u1fbpfcp-zoom-in-crop-mark:1512:0:0:0....
mAP与F1-score的区别与联系
weixin_44690215的博客
01-06 2049
F1-score和mAP（Mean Average Precision）都是用于评估分类或目标检测模型性能的指标，但它们有一些区别和不同的应用场景。
口罩识别性能评估指标解读：mAP、F1-score、准确率，全面衡量模型表现
!...# 1. 口罩识别任务简介** 口罩识别任务旨在利用计算机视觉技术自动检测和识别佩戴口罩的人脸。该任务在公共卫生和安全领域具有重要意义，可用于公共场所的口罩佩戴执法、疫情防控监测等。口罩识别模型通常采用...mAP
F1-score（标准度量）
2201_76139143的博客
07-17 2354
F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0，如公式1所示。公式1。
【深度学习笔记】F1-Score
NJU phd 在读。
12-19 3万+
F1-Score又称为平衡F分数（balanced F Score），他被定义为精准率和召回率的调和平均数。 F1-Score指标综合了Precision与Recall的产出的结果。F1-Score的取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。 更一般的，我们定义Fβ分数为 除了F1分数之外，F2分数和F0.5分数在统计学中也得到大量的应用。其中，F2分数中，召回率的权...
sklearn中的模型评估-构建评估函数
weixin_34184561的博客
06-08 3600
1.介绍 有三种不同的方法来评估一个模型的预测质量： estimator的score方法：sklearn中的estimator都具有一个score方法，它提供了一个缺省的评估法则来解决问题。 Scoring参数：使用cross-validation的模型评估工具，依赖于内部的scoring策略。见下。 Metric函数：metrics模块实现了一些函数，用来评估预测误差。见下。 2. scor...
【scikit-learn】评估分类器性能的度量，像混淆矩阵、ROC、AUC等
Jason Ding的专栏
01-22 2万+
 内容概要¶ 模型评估的目的及一般评估流程分类准确率的用处及其限制混淆矩阵（confusion matrix）是如何表示一个分类器的性能混淆矩阵中的度量是如何计算的通过改变分类阈值来调整分类器性能ROC曲线的用处曲线下面积（Area Under the Curve, AUC）与分类准确率的不同 1. 回顾¶ 模型评估可以用于在不同的模型类型、调节参数、特征组合中选择
目标检测评价指标mAP 精准率和召回率
qq_40228031的博客
11-04 1008
目标检测评价指标mAP 精准率和召回率 首先明确几个概念,精确率,召回率,准确率 精确率precision 召回率recall 准确率accuracy 以一个实际例子入手,假设我们有100个肿瘤病人. 95个良性肿瘤病人,5个恶性肿瘤病人. 我们有一个检测系统,去检测一个肿瘤病人是否为恶性. 那么,对我们的系统来说,有100个样本,5个正样本,95个负样本.假设分布为1,1,1,1,1,0,0,.......(即前5个人为恶性,后95个为良性). 假设我们的系统预测如下1,0,0,1,1,1,0..
机器学习中的评价指标：F1-score
HACK IT!!!
02-11 6494
机器学习中的评价指标：F1-score 图：西雅图（Seattle） Guderian出品 回顾：F1-score的计算过程 混淆矩阵（Confusion Matrix） 混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。 在机器学习领域，混淆矩阵用于衡量一个分类器的准确程度。对于二分类问题，将其样例根据真实类别和分类器的预测类别的组合划分为真正例(True...
机器学习 F1-Score 精确率 - P 准确率 -Acc 召回率 - R
weixin_30315723的博客
10-09 331
准确率 召回率 精确率 ： 　　准确率->accuracy, 精确率->precision. 召回率-> recall.三者很像，但是并不同，简单来说三者的目的对象并不相同。 　　大多时候我们需要将三者放到特定的任务环境中才会更加明显的感觉到三者的差异。 　　在介绍这些之前，我们先回顾一下我们的混淆矩阵。 True Positive(真正, TP)：将正类预测为正类...
yolov10怎么采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 值（F1-score）和交并比（IoU）等指标来评价模型的性能。
07-08
<think>我们正在讨论YOLOv10模型如何采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值（F1-score）和交并比（IoU）等指标来评价模型的性能。 首先，需要明确这些指标在目标检测任务中的计算方式： 1. **交并比（IoU）**：衡量预测边界框与真实边界框的重叠程度。计算公式为：两个框的交集面积除以并集面积。 2. **精确率（Precision）**：在所有被检测为正例的样本中，真正为正例的比例。公式为：TP / (TP + FP) 3. **召回率（Recall）**：在所有实际正例中，被正确检测为正例的比例。公式为：TP / (TP + FN) 4. **F1值（F1-score）**：精确率和召回率的调和平均数。公式为：2 * (Precision * Recall) / (Precision + Recall) 5. **准确率（Accuracy）**：在目标检测中，通常不直接使用准确率，因为正负样本（背景）极不平衡。但若使用，公式为：(TP + TN) / (TP + TN + FP + FN)，其中TN在目标检测中很难定义（未被检测到的背景区域？），因此目标检测中通常不使用准确率。 在YOLOv10（以及大多数目标检测模型）中，评价指标通常包括： - **mAP（mean Average Precision）**：这是目标检测中最常用的指标。它基于Precision-Recall曲线，计算不同IoU阈值（通常为0.5:0.05:0.95）下的平均精度（AP），然后对所有类别的AP取平均得到mAP。 - 此外，还会报告在特定IoU阈值（如0.5）下的精确率、召回率、F1值等。 具体到YOLOv10，在训练和验证过程中，会计算这些指标。通常，在验证集上运行检测后，会计算每个类别的AP，然后计算mAP。同时，也会计算整体的精确率、召回率、F1值等。 在YOLOv10中，我们可以通过以下方式获取这些指标： 1. **训练过程中的日志**：在训练时，每个epoch结束后的验证阶段会输出包括mAP@0.5、mAP@0.5:0.95、精确率、召回率等指标。 2. **结果文件**：训练完成后，在输出目录（如`runs/train/exp/results.csv`）中会保存每个epoch的评价指标。 3. **使用`val`模式**：训练完成后，可以使用`val`模式在验证集上评估模型，会输出详细的指标。 例如，使用YOLOv10的Python API进行验证： ```python from ultralytics import YOLOv10 # 加载模型 model = YOLOv10('path/to/best.pt') # 在验证集上评估模型 metrics = model.val() # 默认使用训练时的验证集 # 或者指定验证集 metrics = model.val(data='your_dataset.yaml') ``` 返回的`metrics`对象包含各种指标，例如： - `metrics.box.map`：mAP@0.5:0.95 - `metrics.box.map50`：mAP@0.5 - `metrics.box.map75`：mAP@0.75 - `metrics.box.precision`：精确率 - `metrics.box.recall`：召回率 - `metrics.box.f1`：F1值 注意：在目标检测中，通常使用mAP作为主要指标，因为它综合了精确率和召回率，并且考虑了不同IoU阈值下的表现。 关于准确率（Accuracy）：在目标检测中，由于背景区域远大于目标区域，直接计算准确率没有意义（因为将所有区域预测为背景就可以得到很高的准确率）。因此，我们使用精确率、召回率、F1值和mAP等指标。 总结：YOLOv10通过计算每个类别的AP，然后计算mAP（包括mAP@0.5和mAP@0.5:0.95）来综合评价模型性能。同时，也会给出整体的精确率、召回率和F1值等。 §§相关问题§§ 1. YOLOv10中如何计算mAP（mean Average Precision）？ 2. 在目标检测任务中，为什么准确率（Accuracy）不是一个好的评价指标？ 3. 如何通过YOLOv10的Python API获取验证过程中的精确率、召回率和F1值？ 4. 交并比（IoU）在目标检测模型评价中的作用是什么？ 5. YOLOv10在训练过程中如何监控这些评价指标的变化？</think>### YOLOv10模型性能评价指标详解 YOLOv10通过以下指标评估模型性能，这些指标在验证阶段自动计算并输出到`results.csv`文件： #### 核心评价指标 1. **交并比（IoU）**： - 衡量预测框与真实框的重叠度 - 计算公式：`IoU = 交集面积 / 并集面积` - YOLO默认使用0.5作为正样本阈值（IoU≥0.5视为TP） 2. **精确率（Precision）**： - 正确检测的比例：`Precision = TP / (TP + FP)` - 反映模型误检率（低FP值） 3. **召回率（Recall）**： - 目标检出比例：`Recall = TP / (TP + FN)` - 反映模型漏检率（低FN值） 4. **F1值（F1-score）**： - Precision和Recall的调和平均：`F1 = 2×(Precision×Recall)/(Precision+Recall)` - 综合评估模型平衡性 5. **mAP（平均精度）**： - 核心指标：在不同置信度阈值下计算Precision-Recall曲线面积 - 包含： - `mAP@0.5`（IoU阈值0.5） - `mAP@0.5:0.95`（IoU阈值0.5~0.95的平均值） #### 获取指标的方法 ```python from ultralytics import YOLOv10 # 训练时自动记录 model.train(data='coco.yaml', epochs=100) # 结果保存到runs/train/results.csv # 手动验证获取指标 model = YOLOv10('yolov10n.pt') metrics = model.val() # 返回指标字典 # 关键指标提取 print(f"mAP50-95: {metrics.box.map}") # mAP@0.5:0.95 print(f"精确率: {metrics.box.precision}") # Precision print(f"召回率: {metrics.box.recall}") # Recall print(f"F1值: {2*(metrics.box.precision*metrics.box.recall)/(metrics.box.precision+metrics.box.recall)}") ``` #### 指标解读建议 1. **理想情况**： - Precision和Recall同步提升 - mAP@0.5:0.95 > 0.5（COCO数据集基准） 2. **问题诊断**： - 高Precision低Recall → 漏检多（提高置信度阈值） - 低Precision高Recall → 误检多（降低置信度阈值） - mAP@0.5远高于mAP@0.5:0.95 → 边界框定位不精确 > ⚠️ 注意：目标检测中**准确率（Accuracy）不常用**，因背景像素远多于目标像素，会导致指标失真。
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