视频质量检测中的TP、FP、Reacll、Precision

最新推荐文章于 2025-05-08 17:47:00 发布
最新推荐文章于 2025-05-08 17:47:00 发布
阅读量1.2k 收藏
点赞数 1
CC 4.0 BY-SA版权
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/ljm1995/article/details/76164117
本文介绍了在数据挖掘领域中TPR（真正率）、FPR（假正率）、Precision（精确率）和Recall（召回率）等概念，并通过实例解释了这些指标的计算方法及其含义。

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

在看论文《Measuring Vedio QoE from Encrypted Traffic》的时候看到TP（True Positives）、FP（False Positives）、Precison、Recall的概念，这属于数据挖掘方面的内容，学习之后特来记录。

首先，下面这个表格可以比较清晰地给出各个情况的名字，也很好记。T：True ，F：False，这个true或者false用于判断预测：若预测为1，实际为1 ，说明这个预测对了，是true的positive，记为TP；若预测为1，实际为0 ，说明这个预测对了，是false的positive，记为FP；以此类推另外两个。


这几个数据之间的比率也具有特定的意义。

True Positive Rate（真正率 , TPR）=TP/(TP+FN),即被正确预测的正样本数目/实际正样本数目。

True Negative Rate（真负率 , TNR）=TN/(TN+FP)，即被正确预测的负样本数目/实际负样本数目。

False Positive Rate(假正率, FPR) = FP /(FP + TN),即被预测为正的负样本结果数 /负样本实际数 

False Negative Rate(假负率 , FNR)=FN /(TP + FN),即被预测为负的正样本结果数 / 正样本实际数

Precison=TP/(TP+FP)

Recall=TP/样本总数（此处有疑问，论文与后注参考网站所说不符，此处为论文说法）

此网站说得较详细，可以参考：http://www.fullstackdevel.com/computer-tec/data-mining-machine-learning/501.html

植齿添牙
关注
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 7658
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。
TP TN FP FN目标检测评估指标
苏打水的杯子的博客
05-18 1105
1. TP TN FP FN GroundTruth预测结果 TP（True Positives）：真的正样本=【正样本被正确分为正样本】 TN（True Negatives）： 真的负样本= 【负样本被正确分为负样本】 FP（False Positives）：假的正样本= 【负样本被错误分为正样本...
精准率、召回率、f1值及TP、TN、FP、FN通俗解释
热门推荐
qq_40821163的博客
09-10 1万+
TP(真正例)：预测正确，样本为正 TN(真反例)：预测正确，样本为负 FP(假正例)：预测错误，样本被预测为正，但样本实际为负 FN(假反例)：预测错误，样本被预测为负，但样本实际为正 精准率(Precision)：Precision= TP / ( TP + FP ) 表示预测为正例的样本中真正正例的比例。 召回率(Recall)：Recall= TP / ( TP + FN ) 表示预测为正例的真实正例占所有正例的比例。 f1值：f1= 2 * Precision * Recall / ( Preci
TP, FP, precision, recall
最新发布
无左无右的博客
05-08 192
recall描述的是在检测对的个数在总目标个数的占比，表示正样本的检出率。recall = tp/(总样本数) 124/141=0.87943。precision描述的是在所有检测出的目标中，正确的个数占比。
TP、TN、FP、FN白话解析，看这一篇就够了
Java_Web_Android的博客
11-27 5379
TP、TN、FP、FN通俗易懂 白话理解
TP、FP、TN、FN及精度、召回率、mAP
Learning by doing
03-21 1588
True Positive，TP False Positive，FP True Negative，TN False Negative，FN
目标检测：tp与fp理解
weixin_41041772的博客
12-29 5085
介绍 在目标检测中，通常采用mAP指标来表达检测模型的性能表现，而mAP指标的计算具体包含几个步骤，其中重要的一步就是TP（真正，即命中）与TP（假正）的计算，具体根据mmdetection中的评估代码mean_ap.py进行分析。 def tpfp_func(det_bboxes,gt_bboxes,iou_thr=0.5): """Check if detected bboxes are true positive or false positive. Args:
目标检测指标TP、FP、TN、FN和Precision、Recall
ajkdghfa的博客
08-14 8378
目标检测指标TP、FP、TN、FN，Precision、Recall 1. IOU计算 在了解Precision(精确度)、Recall（召回率之前我们需要先了解一下IOU(Intersection over Union，交互比)。交互比是衡量目标检测框和真实框的重合程度，用来判断检测框是否为正样本的一个标准。通过与阈值比较来判断是正样本还是负样本。一般来讲，当预测框和真实框IOU>=0.5时，被认为是正样本。 IOU=SIntersectionSUnion=S2S1+S2+S3 IOU = \fr
计算目标检测二分类结果的Precision,Recall,TP,FP与FN(python)
11-04
输入标注txt文件与预测txt文件路径，计算P、R、TP、FP与FN。txt格式为class、归一化后的矩形框中点x y w h，可调整IOU阈值
目标检测中的评价指标知识点总结：IOU交叉重叠单元、map/AP/TP/FP/NP的归纳
qq_45756171的博客
01-29 3300
在目标检测任务中，我们时常会让模型一次性生成大量的候选框（candidate bound），然后再根据每一个框的置信度对框进行排序，进而依次计算框与框之间的IoU，以非极大值抑制的方式，来判断到底哪一个是我们真正要找的物体，哪几个又该删除。例如在做人脸检测时，模型输出的可能是左图，而最终我们得到的是右图。 代码实现 import numpy as np # box:[上, 左, 下, 右] box1 = [0,0,8,6] box2 = [2,3,10,9] def IoU(box1, box2):
【评价方案】目标检测TP，FP，以及perception recall，以及AP，mAP
Hali_Botebie的博客
04-06 1842
20230116：网上好多TP，FP，都感觉有点问题，特意研究了源代码，写下理解。
TP、TN、FP、FN、训练集、测试集、训练、测试、预测。傻傻分不清
Xiao_Xue_Seng的博客
01-20 388
在项目初期，没有算法，需要人工挑选出图片，即手工选出少量高质量图片和低质量图片（将混合的数据集分成两个数据集，高质量数据集和低质量数据集，这两个都是。手动筛选少量高低质量图片——分出训练集和测试集——在训练集上找到特征（即算法核心）——在测试集上运行你的算法，统计TP等指标——最后，如果Precision等指标合适，就可以用你的模型进行预测。我大抵是病了，竟无病呻吟起来，黯然的看着电脑前的两行代码，一行是我写的，另一行也是我写的——鲁迅（好像不会写代码）。），进行统计TP、TN、FP、FN，即为。
一文详解人工智能分类方面的KPI评价标准：混淆矩阵、TP、FP、FN、TN、P-R曲线图、ROC曲线图
17岁boy的博客
12-30 6509
目录 样本概念 混淆矩阵理论知识 概念 TP、FP、FN、TN介绍 概念 TP FP FN TN 备注 关系解释 Key Performance Indicator Precision 标准介绍 概念介绍 样本概念介绍 公式 实际计算 Recall 标准介绍 概念介绍 样本概念介绍 公式 实际计算 F1 Score 标准介绍 公式 实际计算 Recall 标准介绍 概念介绍 样本概念介绍 公式 实际计算 F1 Score 标准介绍 公
理解分类模型的评估指标：TP、FP、FN、TN 及其衍生指标
m0_60740687的博客
10-31 1366
掌握并正确应用TPFPFNTN及其衍生指标对于评估和优化分类模型至关重要。通过Python中的库，我们可以轻松计算这些指标，从而全面了解模型的性能。在实际应用中，根据具体需求选择合适的指标，能够有效提升模型的实用价值和性能表现。希望本文对你理解分类模型的评估指标有所帮助，助力你在数据科学和机器学习的道路上越走越远！
敏感度、特异性：TP TN FP FN sensitivity Accuracy
Bettyshasha的专栏
08-26 4600
Predicted condition   Total population Predicted Condition positive Predicted Condition negative Prevalence= Σ Condition positive/Σ Total population True condition condit
【目标检测基础】TP/FP/TN/FN与目标检测的关系
weixin_64678498的博客
03-19 538
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。
论文中的FN FP TN TP
JANESTAR的专栏
10-29 6577
【转】FN,FP, TN, TP等 转自http://hi.baidu.com/penghouwen/item/5615d9ac379254a229ce9db5   首先这几个术语会高频率得出现在论文的实验部分，它是对实验结果的描述，首先我想先解释这几个缩写的含义： precesion：查准率，即在检索后返回的结果中，真正正确的个数占整个结果的比例。 recall：查全率，即在检索结
【机器学习】【深入浅出】混淆矩阵全解析：搞懂 TP、FP、TN、FN 与分类模型评估
weixin_41645791的博客
02-21 7494
本文以通俗易懂、幽默风趣的方式详细解析了混淆矩阵的定义、计算方法和实际作用。从二分类的四个核心指标——真正例（TP）、假阳性（FP）、真负例（TN）、假阴性（FN）出发，本文讲解了如何利用混淆矩阵评估模型性能，并进一步衍生出准确率、精确率、召回率和 F1-score 等关键指标。文章还通过医疗诊断等案例，展示了混淆矩阵如何帮助我们区分漏诊与误诊，并给出记忆技巧，助你快速掌握 TFPN 概念。喜欢本文的朋友请点赞、收藏、转发和关注我的博客，共同探索数据科学的魅力！
基础概念——TP、FP、TN、FN、IOU、PR、AP、Interpolated AP、AUC、mAP
jindaxiaoooo的博客
03-11 7137
TP、FP、TN、FN 都是站在预测的立场看的： TP：预测为正是正确的 FP：预测为正是错误的 TN：预测为负是正确的 FN：预测为负是错误的 准确率(accuracy),精确率(Precision)和召回率(Recall) 准确度：分类器正确分类的样本数与总样本数之比 （TP+TN）/ (TP+TN+FP+FN) 精确度：所有被预测为正样本的样本中预测对的比例 (TP) / (TP+NP) 召回率：被正确预测的正样本占所有正样本的比例 （TP）/ (TP+FN) ...
TP FP FN IOU PRECISION RECALL
01-22
### TP、FP、FN、IOU、Precision 和 Recall 的定义及计算 #### True Positive (TP) True Positive 表示被正确识别为正类别的实例数量。当模型预测某个样本属于某一类别，并且该预测是正确的，则这个预测记作 true positive。 #### False Positive (FP) False Positive 指的是错误地将负类别标记为正类别的次数。如果模型预测某一样本属于特定类别但实际上不属于此类别，那么这会被视为 false positive。 #### False Negative (FN) False Negative 发生在实际应归属于正类别的样本未被正确分类的情况下。即模型未能成功检测到真正的正样例时发生的情况。 #### Intersection over Union (IoU) Intersection Over Union 是一种用于测量两个边界框重叠程度的标准度量单位。其公式如下： \[ \text{IoU} = \frac{\text{Area of overlap}}{\text{Area of union}} \] 其中，“overlap area”是指两个矩形区域相交部分的面积；而“union area”则是指这两个矩形总面积之和减去它们之间共同覆盖的部分[^2]。 ```python def iou(box_a, box_b): # Calculate intersection coordinates inter_x1 = max(box_a[0], box_b[0]) inter_y1 = max(box_a[1], box_b[1]) inter_x2 = min(box_a[2], box_b[2]) inter_y2 = min(box_a[3], box_b[3]) # Compute the width and height of the intersection rectangle inter_w = max(0, inter_x2 - inter_x1 + 1) inter_h = max(0, inter_y2 - inter_y1 + 1) inter_area = inter_w * inter_h # Separately calculate each bounding box's area a_area = (box_a[2] - box_a[0] + 1) * (box_a[3] - box_a[1] + 1) b_area = (box_b[2] - box_b[0] + 1) * (box_b[3] - box_b[1] + 1) # Return IoU value return float(inter_area) / (a_area + b_area - inter_area) ``` #### Precision（精确率） Precision 描述了所有预测为正类的结果中有多少确实是正类的比例。它反映了模型做出肯定判断时的信心水平。计算公式为: \[ \text{Precision}=\frac{\mathrm {TP}} {\mathrm {TP}+\mathrm {FP}} \] #### Recall（召回率） Recall 则关注于所有真实存在的正类中有多大比例被准确找出。这是衡量算法能否有效发现目标对象的重要标准之一。计算方式如下所示： \[ \text{Recall}= \frac{\mathrm {TP}} {\mathrm {TP}+\mathrm {FN}} \] 上述各项指标构成了评估机器学习尤其是深度学习领域内物体检测任务效果的基础工具集[^1]。
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