【教学】图像分类算法中的召回率recall、精准率precision和f1score得分等计算。

已于 2023-02-05 14:33:12 修改
阅读量2.9k 收藏 9
点赞数 2
分类专栏： 手把手思路讲解 python&c++实战思路 文章标签： sklearn 深度学习 python
于 2022-05-15 10:57:59 首次发布
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_34904125/article/details/124775828
版权
本文介绍了图像分类中重要的评估指标，包括召回率(Recall)、精准率(Precision)和F1分数(F1-score)，并详细解释了它们的计算方式。此外，还讲解了如何在深度学习模型，特别是CNN网络中利用sklearn库的metrics模块进行这些指标的计算，以及如何在训练过程中监控这些指标的平均值。

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

首先我们来介绍一下这些名称的含义。

  • TP: 预测为1(Positive)，实际也为1(Truth-预测对了)
  • TN: 预测为0(Negative)，实际也为0(Truth-预测对了)
  • FP: 预测为1(Positive)，实际为0(False-预测错了)
  • FN: 预测为0(Negative)，实际为1(False-预测错了)

Accuracy = (预测正确的样本数)/(总样本数)=(TP+TN)/(TP+TN+FP+FN)

Precision = (预测为1且正确预测的样本数)/(所有预测为1的样本数) = TP/(TP+FP)

Recall = (预测为1且正确预测的样本数)/(所有真实情况为1的样本数) = TP/(TP+FN)

由于Precision/Recall是两个值，无法根据两个值来对比模型的好坏。于是有了F1评价指标。

F1 = 2*(Precision*Recall)/(Precision+Recall)

这里快捷的计算方法是使用sklearn封装好的metrics类即可。

使用方法如下：

from sklearn.metrics import classification_report

y=[0,1
了解本专栏 订阅专栏 解锁全文 超级会员免费看
推荐算法的准确率、精准度、召回率、F1值
LDC，公众号【轻松学编程】
05-18 898
推荐算法的准确率、精准度、召回率、F1值
【模型评估】Python混淆矩阵、FP、FN、TP、TN、ROC、FROC、mAP、Precision、Recall、Accuracy、F1 score详述与实现
热门推荐
钱多多先森
08-14 4万+
深度学习中，模型评估常用的指标、实现算法汇总。后续还会有几个章节，对其中的各个小点进行详述
图像检索任务中召回率与精确度与检索集和查询集之间的关系
douhuanmin123的博客
05-14 1185
在信息检索中，通常会使用查询集和检索集。这是因为召回率和精度的计算方式不同，它们对检索结果中的相关文档和非相关文档的权重不同，因此在不同的场合下需要选择适当的指标来评估检索结果的质量。它反映了检索结果的完备性，即检索结果中包含的相关文档数与查询集中所有相关文档数之间的比例。精度（Precision）是指检索出的相关文档数与检索出的所有文档数的比例。它反映了检索结果的质量，即检索结果中包含的相关文档数与检索出的所有文档数之间的比例。精度越高，说明检索结果中包含的非相关文档比例越低，检索结果的质量越好。
图像分类总结
最新发布
2401_89907524的博客
02-28 287
可以用来表示模型的精度，即模型识别正确的个数/样本的总个数。准确率(Precision)：又称为查准率，表示在模型识别为正类的样本中，真正为正类的样本所占的比例。召回率(Recall)：又称为查全率，表示模型正确识别出为正类的样本的数量占总的正类样本数量的比值。对于k分类问题，混淆矩阵为k*k的矩阵，元素Cij表示第i类样本被分类器判定为第j类的数量。对于k分类问题，混淆矩阵为k*k的矩阵，元素Cij表示第i类样本被分类器判定为第j类的数量。将不同的图像，划分到不同的类别标签，实现最小的分类误差。
深度学习分类任务中的准确率、精确率（查准率）、召回率（查全率）、F1值、ROC曲线的AUC值，
chumingqian的博客
01-05 5775
其中关于 TP, TN;FP, FN 的解释；其中;注意，此时这里的正样本代表的 是 预测属于某一类别的样本；负样本则代表预测不属于某一类别的样本。举例说来部分仓库， 与此不一致，列代表真实值，行代表预测值，需要阅读代码的时候，通过查看文档确定；
【详细解释深度学习图像分类&检测评价指标】准确率Accuracy、精确率Precision、召回率Recall、mAP等(一文搞懂，建议收藏)
cqy阳的博客
01-24 1万+
【详细解释深度学习图像分类&检测评价指标】准确率Accuracy、精确率Precision、召回率Recall、mAP等(一文搞懂，建议收藏)
图像多标签标注准确率(accuracy)、精确率(precision)、召回率(recall)和F1值计算
muli
06-13 6001
参考链接：https://blog.youkuaiyun.com/weixin_41650458/article/details/82555775 #!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Thu Jun 13 21:09:48 2019 @author: muli """ import numpy as np #y_t...
机器学习评估分类结果——精准率、召回率、F1Score
m0_58700887的博客
06-30 6290
机器学习评估分类结果——混淆矩阵、精准率、召回率、F1Score
resnet模型召回率recall、精准率precision和f1score得分等计算。
05-19
在进行分类任务时，我们通常需要计算模型的召回率(recall)、精准率(precision)和f1score得分等指标来评估模型的性能。 假设我们有一个二分类任务，其中正类的样本总数为TP+FN，负类的样本总数为FP+TN。TP表示真正例...
acc.m.zip_ACC图像分割_F1-score_Score!_acc.m_图像召回率
09-23
综上所述，这个压缩包包含了一个MATLAB脚本，用于执行图像分割并计算相关的性能指标，特别是F1-score和召回率。这些指标对于评估和优化图像分割算法至关重要，可以帮助研究人员理解算法在检测和分类图像区域方面的...
深入解析召回率与F1分数：Python中的计算方法与应用
11-05
召回率（Recall）和F1分数（F1 Score）作为分类性能评价的核心指标，特别在数据不平衡的情境下尤为重要，能够提供比单纯准确率更为全面的模型性能视图。 召回率，也被称为查全率，指的是模型能够正确识别出正类样本...
机器学习分类指标：精确率、准确率、召回率详解
楼上小宇_home
10-18 1万+
混淆矩阵 在介绍具体的定义之前先了解一些混淆矩阵(confusion matrix)： 一种 NxN 表格，用于总结分类模型的预测效果；即标签和模型预测的分类之间的关联。在混淆矩阵中，一个轴表示模型预测的标签，另一个轴表示实际标签。N 表示类别个数。在二元分类问题中，N=2。例如，下面显示了一个二元分类问题的混淆矩阵示例： - 肿瘤（预测的标签） 非肿瘤（预测的标签） 肿瘤（实际标...
Pytorch 实现计算分类器准确率(总分类及子分类)
09-18
今天小编就为大家分享一篇Pytorch 实现计算分类器准确率(总分类及子分类)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
图像任务的常见指标计算
weixin_53162487的博客
12-12 1531
图像任务重常用指标计算。
召回率精确率
小小的博客
10-07 260
精确率(precision) =79.9%，意味着被认为是ok的图中有20.1%的ng图，即ng容易被检测成ok。召回率(recall) == 93.1%，意味着ok图中6.9%被预测为ng。
多标签图像检测求精确率，召回率，AP，mAP
不积跬步无以至千里
01-17 3335
首先我有一个文件夹，里面包含两百多张已经用labelImg标注好的图片，每个图片对应一个xml文件。这些图片中可能会包含五种标签。 现需要利用mmdetection计算每种标签的精确率(precision)，召回率(recall)，AP，和这个模型的mAP。并且将检测结果写成xml，且该xml可被labelimg识别。 网上大多讨论的是二分类的做法，当下的问题相当于五类，说一下我的思路。 对...
目标检测如何计算召回率_目标检测评价标准（mAP, 精准度(Precision), 召回率(Recall), 准确率(Accuracy),交除并（IoU））...
weixin_36457572的博客
01-16 6367
1. TP , FP , TN , FN定义TP(True Positive)是正样本预测为正样本的数量，即与Ground truth区域的IoU>=threshold的预测框FP(False Positive)是负样本预测为正样本的数量，误报；即与Ground truth区域IoU < threshold的预测框FN(True Negative)是本为正，错误的认为是负样本的数量，漏...
（一）图像检测中的评价指标
weixin_44463519的博客
06-15 4032
1、准确率2、精确率3、召回率4、F1值5、AP值。
准确率(Precisio)、召回率(Recall)、F1-Measure
chlele0105的专栏
03-16 2416
在做图像检索时，通常会遇到准确率(Precisio)、召回率(Recall)，在此记录一下他们的含义 我们用P代表Precision，R代表Recall 简单来说，Precision指的是检索出来的条目中有多少是准确的，Recall指的是所有准确的条目有多少被检索出来。 也可以用下面这张图来解释 我们当然希望检索的结果P越高越好，R也越高越好，但事实上这两者在某些情况下是矛
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

打赏作者

bug生成中

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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