二值分割任务的Precision，Recall，Accuracy，F1-score，IoU的计算方式理解与代码实现

最新推荐文章于 2023-02-10 17:06:12 发布
最新推荐文章于 2023-02-10 17:06:12 发布
阅读量8k 收藏 47
点赞数 4
分类专栏： 深度学习 文章标签： 深度学习 Precision Recall IoU 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/qq_28418387/article/details/95662415
版权
本文是作者作为深度学习初学者的第一篇笔记，主要解释和代码实现二值分割任务中的评估指标，包括Precision、Recall、Accuracy、F1-score和IoU。通过"套公式型"和"理解型"两种方法，阐述如何计算这些关键指标。

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

我的第一篇深度学习相关文章

从我的其他博文可以看出，我以前是搞WebGIS开发的，研究生阶段开始接触深度学习，如今刚开始工作，从事的也是深度学习相关的工作。就在博客记录一下工作上遇到的问题做个笔记。

第一篇就来谈谈深度学习中的Precision，Recall，Accuracy，F1-score，IoU的计算吧，这几种指标容易混淆，他们的计算方式以及含义，这篇文章讲的非常清楚，过多的就不介绍了。

今天主要记录一下在学习这些指标计算的过程中，看到的一些代码的实现方式的理解，如果大家还不熟悉这几种指标的计算可以先看上面提到的文章。

看了一些这几个指标的代码实现，主要实现方式有两种，一种是套公式型，一种是理解型，接下来以语义分割中的二值分割来说明：

1、套公式型

套公式其实就是上面提到的文章，先计算TP，FP，FN，TN，再通过这四个值根据以下公式分别计算出Precision，Recall，Accuracy，F1-score，IoU：
P r e c i s i o n = t p t p + f p Precision = \frac{tp}{tp+fp} Precision=tp+fptp​
R e c a l l = t p t p + f n Recall= \frac{tp}{tp+fn} Recall=t

最低0.47元/天 解锁文章
【3D 图像分割】基于 Pytorch 的 3D 图像分割11（预测结果 Recall 和 FPAR 评估）
钱多多先森
11-20 924
敏感度和平均一个检查有多少假阳性，是实际使用中，比dice系数更有代表性的指标。本文就对这一指标进行评估，完整介绍其中的每一步细节
二分类模型评估指标的计算方法与代码实现
幻想乡
12-22 7032
一、定义 在研究评估指标之前，先给出分类结果混淆矩阵（confusion matrix）。             预测 真实 正例 反例 正例 TP FN 反例 FP TN 1.准确率--accuracy 定义：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。计算方法：
python计算precision，recall，f1-score
Mr.horse的博客
09-24 3002
sklearn.metrics.classification_report(y_true, y_pred, *, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False, zero_division='warn') https://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html
模型的评价指标：Precision, Recall, F1 Score
King_HAW
03-11 3120
首先考虑对于数据预测结果可能出现的四种情况： True Positive(TP)：预测为正，实际为正 False Positive(FP):：预测为正，实际为负 False Negative(FN)：预测为负，实际为正 Ture Negative(TN)：预测为负，实际为负 准确率（Precision）定义为：在单类预测结果中，正确的比率，为 P = TP / (TP + FP)
二值语义分割评价标准
boy854456187的博客
03-02 1547
文章目录前言一、F1 Score 定义二、代码实现总结参考文献 前言 刚开始做两个类别语义分割项目时，发现分割的评价指标高，但是实际效果可能完全错误的现象。当时使用的指标是Pixel Accuracy，因为前景像素占总像素的5%以内，所以如果预测结果都是背景的话识别也过也非常高。目前分割论文中普遍使用的评价标准是mIOU，单一类别和多类别都可以使用该标准，另外还有一个较好的评价指标F1 Score。 即使是F1 Score还不能完全表示所有分割任务的评价标准，具体人物可以参考这篇文章（R. Haralic
二分类模型评价指标-Python实现
此心安处是吾乡
07-16 1万+
  Sklearn的metrics模块下有多个计算模型评价指标的函数，本文只介绍二分类的指标函数。 1.准确率 1.1参数说明 sklearn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)   解释 参数 y_true 真实的label，一维数组...
多分类f1分数_分类模型的F1-score、Precision和Recall 计算过程
weixin_39754603的博客
12-28 3572
分类模型的F1分值、Precision和Recall 计算过程引入通常，我们在评价classifier的性能时使用的是accuracy考虑在多类分类的背景下accuracy = (分类正确的样本个数) / (分类的所有样本个数)这样做其实看上去也挺不错的，不过可能会出现一个很严重的问题：例如某一个不透明的袋子里面装了1000台手机，其中有600台iphone6, 300台galaxy s6, 50...
模型评估方法（Accuracy，Precision，Recall，F1 Score，ROC，AUC，IoU）
qingmao123的博客
09-17 2166
今晚花椒直播的现场笔试写这个，在其他的线上鄙视中也考得比较多，有时候面试也会遇到。 一、混淆矩阵 二、Accuracy Accuracy=预测正确的数量/总数量=(TP+TN)/(TP+FP+TN+FN)Accuracy=预测正确的数量/总数量=(TP+TN)/(TP+FP+TN+FN)Accuracy=预测正确的数量/总数量=(TP+TN)/(TP+FP+TN+FN) 三、Precision（...
acc.m.zip_ACC图像分割_F1-score_Score!_acc.m_图像召回率
09-23
在这个场景中，它很可能包含了实现图像分割算法以及计算性能指标的代码。MATLAB是一种广泛使用的编程环境，特别适合数值计算和数据可视化，因此它是处理这类问题的理想工具。 "F1-score"是衡量分类性能的一种常用...
Keras实现计算测试集Accuracy,loss,Precision,Recall与F1
qq_42205739的博客
06-15 5931
Keras实现计算测试集Accuracy,loss,Precision,Recall与F1计算测试集的prediction自定义计算Metrics测试结果全部代码 由于Precision,Recall与F1是模型对整体数据的的评估标准，所以，首先需要计算model对于整个测试集的Prediction，而不是一个batch上的，再对其求三个Metrics 计算测试集的prediction 记得先reshape数据； def mktest(lines=None, size=(224, 224)):
【Practical】Python-Numpy 计算二分类问题准确率与召回率
Esperanto.的博客
10-25 2812
使用Python Numpy向量化实现准确率与召回率的计算
python F-score如何计算
weixin_42583683的博客
02-10 815
F-score 是综合了精确率和召回率的一种评估指标，通常用于二分类和多分类问题的性能评估。它的计算方法是： $F_{\beta}= (1 + \beta^2) \cdot \frac{precision \cdot recall}{(\beta^2 \cdot precision) + recall}$ 其中，precision 表示精确率，recall 表示召回率，$\beta$ 是一个权重值...
二值化图像分割的评价标准的实现
liuweizj12的博客
06-08 1682
import numpy as np # 获得混淆矩阵 def BinaryConfusionMatrix(prediction, groundtruth): """Computes scores: TP = True Positives 真正例 FP = False Positives 假正例 FN = False Negatives 假负例 TN = True Negatives 真负例 return: TP, FP, FN, TN.
语义分割多分类混淆矩阵计算MIoU、Recall、Precision、F1、OA
Deeachain的博客
10-24 3049
记录博客度过的第一个1024，获得1024徽章。
图像分类 图像分割的评价指标（混淆矩阵 正确率 精准率 召回率 F1分数 IOU dice系数）
m0_63077499的博客
10-25 6740
图像分类 图像分割的评价指标（混淆矩阵 正确率 精准率 召回率 F1分数 IOU dice系数）
分类模型的评估指标（1）--Accuracy、Precession、Recall、F1score的计算公式
xianghu_5的博客
05-19 2890
机器学习中的分类器指标
python 中，sklearn包下的f1_score、precision、recall使用方法，Accuracy、Precision、Recall和F1-score公式，TP、FP、TN、FN的概念
mzm123321的博客
05-11 1万+
sklearn.metrics.f1_score官网链接sklearn.metrics.f1_score — scikit-learn 1.0.2 documentation sklearn.metrics.f1_score(y_true,y_pred,*,labels=None,pos_label=1, average='binary',sample_weight=None,zero_division='warn') 重要参数说明： y_true：一维数组，或标签指示数组/稀疏矩阵 .......
机器学习——混淆矩阵、Precison、Recall、Accuracy、F1-score的使用
热门推荐
君莫笑的博客
04-12 2万+
假设有10个样本，属于A、B、C三个类别。假设这10个样本的真实类别和预测的类别分别是： 真实：A A A C B C A B B C 预测：A A C B A C A C B C （1） 求出混淆矩阵。 （2）求出每个类别的P, R, 和F1。 草稿纸解： 略···· 直接套公式即可，可以看以下文章中的混淆矩阵部分。 机器学习——分类评价指标_猿_同学的博客-优快云博客ROC是一个用于度量分类中的非均衡性的工具，ROC曲线及AUC常被用来评价一个二值分类器的优劣。为什么要使用ROC和AU
根据P(precision)、R（recall）计算F1和iou
向上生长的程序媛的博客
11-17 1万+
一、首先，了解TP 、TN 、FP、 FN的基本概念 TP：被模型预测为正类的正样本（预测正确的正样本） TN：被模型预测为负类的负样本（预测正确的负样本） FP：被模型预测为正类的负样本（预测错误的正样本） FN：被模型预测为负类的正样本（预测错误的负样本） 二、根据TP 、TN 、FP、 FN计算P(precision)、R（recall） precision 计算公式： recall 计算公式： accuracy计算公式： 三、根据P(precision)、R（recal.
MIouTP,TN,Recall,F1
最新发布
02-17
### MIoU、TP、TN、Recall 和 F1 的定义与计算 #### 定义 - **MIoU (Mean Intersection over Union)** 是一种衡量分割算法性能的度量标准，尤其适用于图像中的对象检测和语义分割任务。它通过比较预测区域与真实标注之间的重叠程度来评估模型的表现。 - **TP (True Positive)** 表示实际为正类且被正确识别出来的样本数量[^2]。 - **TN (True Negative)** 指的是实际上属于负类并且也被正确判断为不属于目标类别的实例数目[^4]。 - **Recall (召回率)** 描述了所有真实的正例中有多少比例被成功检出。其公式如下： \[ \text{Recall} = \frac{\text{TP}}{\text{TP + FN}} \] 其中 FP 代表 False Positives 即假阳性的数量；FN 则指代 False Negatives 或者说漏报的数量[^3]。 - **F1 Score** 结合了 Precision 和 Recall 来提供更全面的评价视角。具体而言， \[ \text{F1-Score} = 2 * (\frac{\text{Precision}*\text{Recall}}{\text{Precision}+\text{Recall}}) \] 这里 Precision 可以理解成在所有预测为正的例子里面真正是正的比例: \[ \text{Precision}=\frac{\text{TP}}{\text{TP+FP}}\][^1] #### Python 实现代码片段 对于上述提到的各项指标，在Python中可以借助 `sklearn` 库轻松实现它们的计算过程。下面给出一段简单的示范程序用于说明如何操作这些功能。 ```python from sklearn.metrics import confusion_matrix, classification_report, jaccard_score def calculate_metrics(y_true, y_pred): cm = confusion_matrix(y_true, y_pred) tn, fp, fn, tp = cm.ravel() accuracy = (tp + tn)/(tn + fp + fn + tp) recall = tp / (tp + fn) precision = tp / (tp + fp) f1 = 2*(precision*recall)/(precision+recall) iou = jaccard_score(y_true, y_pred, average='binary') metrics_dict = { 'Accuracy': round(accuracy, 4), 'Recall': round(recall, 4), 'Precision': round(precision, 4), 'F1 Score': round(f1, 4), 'IoU': round(iou, 4)} return metrics_dict # 假设这是测试集的真实标签以及对应的预测结果 y_test = [0, 1, 0, 1, 1, 0, 0, 1] predictions = [0, 1, 0, 0, 1, 0, 1, 1] results = calculate_metrics(y_test, predictions) print(results) ``` 这段脚本不仅能够帮助获取混淆矩阵的信息，还能进一步得出 Accuracy、Recall、Precision、F1 Score 和 IoU 这些重要的评估参数值。
评论 4
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