深度学习分类常见评价指标：accuracy recall precision specificity sensitivity AUC ROC 曲线

最新推荐文章于 2025-05-04 09:58:08 发布
最新推荐文章于 2025-05-04 09:58:08 发布
阅读量4.3k 收藏 18
点赞数 3
分类专栏： 分类指标 文章标签： 深度学习 机器学习 算法
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_38895920/article/details/106275628
版权
本文总结了深度学习分类中的关键评价指标，包括accuracy, recall, precision, F1-score, sensitivity（真正例率）和specificity（真负例率）。此外，还详细介绍了ROC曲线及其AUC值的含义，强调AUC值作为评价分类器性能的重要性，指出AUC=1表示完美分类器，而AUC<0.5则表示模型预测效果较差。" 76468025,5246611,Bootstrap datetimepicker插件详细指南,"['Bootstrap', '前端开发', 'datetimepicker']

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

深度学习分类时常用到以下指标，这里做一个总结：

 

首先介绍一些指标的定义：

(1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP)

(2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN)

(3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP)

(4)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN）


这四个部分可以构成一个混淆矩阵：

                                                           

 

而accuracy recall precision F1-score分别表示：

 

1.accuracy指的是正确预测的样本数占总预测样本数的比值，它不考虑预测的样本是正例还是负例:

                                           

2.recall指的是正确预测的正样本数占真实正样本总数的比值：

           

最低0.47元/天 解锁文章
R语言构建logistic回归模型并评估模型：计算混淆矩阵、并基于混淆矩阵计算Accuray、Precision、Recall(sensitivity)、F1、Specificity指标
data+scenario+science+insight
11-22 2161
R语言构建logistic回归模型并评估模型：计算混淆矩阵、并基于混淆矩阵计算Accuray、Precision、Recall(sensitivity)、F1、Specificity指标
目标检测 — 评价指标
dbsggal90047018的博客
05-22 3730
　　评价指标： 　　准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC + AUC，非极大值抑制（NMS）。 1、准确率 （Accuracy） 　　分对的样本数除以所有的样本数 ，即：准确（分类）率 =...
深度学习（3）：不同分类模型的评价指标（F1、Recall、P）
牧子川的博客
07-12 2万+
我们在训练模型的过程中，需要用未知的数据集（为被训练过的）送入训练好的模型进行验证，来检测该模型是否适用于该项目。哪该如何来进行判断呢？这个就需要评价指标了。模型的评价指标有很多，比如：精确率（查准率）、F1-Score、召回率（查全率）、准确率、P-R曲线、ROC曲线等。我们这里就主要介绍精确率（查准率）、F1-Score、召回率（查全率）、准确率。...
深度学习---评价指标
最新发布
2301_80079642的博客
05-04 1275
深度学习评价指标体系需根据任务类型（分类/回归/生成）、数据特性（平衡/不平衡/长尾）、应用场景（医疗/推荐/安全）综合选择。核心是理解每个指标的数学定义、适用边界及业务含义，避免单一指标依赖，构建多维评估框架。实际应用中，常需结合领域知识设计定制化指标（如语音识别的WER，视频理解的mAP@N帧），并注意指标与优化目标的一致性（如优化MSE时R²可能非单调变化）。
深度学习分类任务评价指标
ZONGXP的博客
06-25 1万+
参考：https://www.jianshu.com/p/b960305718f1 在做图像识别相关任务时，对于识别效果没有提出明确的评价指标或预期目标，调试时单纯依靠“感觉”调参，显然不是一种合理的方法，因此整理相关评价指标，作为参数调试的相关依据。 根据深度学习的任务不同，评价标准也不同，分类任务和回归任务的评价指标如下 分类：accuracy、误分类率、precision、recal...
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 6008
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；
【深度学习】分类指标accuracy，recall，precision等的区别
热门推荐
z小白的博客
10-26 6万+
在机器学习里面做一些分类任务时，经常会使用到一些评价指标，下面就一些常用的指标进行详细的说明。 上图表示为一个二分类的混淆矩阵（多分类同理，只需要把不属于当前类的其他类都考虑为负例），表格中的四个参数说明： True Positive（TP）：预测为正例，实际为正例 False Positive（FP）：预测为正例，实际为负例 True Negative（TN）：预测为负例，实际为负例...
机器学习的评价指标：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线等
Never-Giveup的博客
09-14 1万+
在介绍指标前必须先了解“混淆矩阵”： 混淆矩阵 True Positive(真正，TP)：将正类预测为正类数 True Negative(真负，TN)：将负类预测为负类数 False Positive(假正，FP)：将负类预测为正类数误报 (Type I error) False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error) 1、准确...
机器学习中的性能指标：精度、召回率，PR曲线，ROC曲线和AUC，及示例代码
weixin_44336181的博客
04-03 3675
机器学习中的性能指标：精度、召回率、PR曲线，ROC曲线和AUC精度、召回率基本概念F-Score度量曲线PR曲线使用[scikit-learn官方代码](https://scikit-learn.org/stable/auto_examples/model_selection/plot_precision_recall.html#sphx-glr-auto-examples-model-selection-plot-precision-recall-py)示例：ROC曲线PR曲线和ROC曲线的比较AUC
分割图像的评估：Precision，Sepeificity，Sensitivity和Accurary指标的快速实现-matlab开发
05-31
"分割图像的评估：Precision，Specificity，Sensitivity和Accuracy指标的快速实现-matlab开发"这个项目提供了一种基于MATLAB的高效方法来计算四个关键的评估指标：精确度（Precision）、特异性（Specificity）、灵敏...
深度学习分类任务常用评估指标——总结（重点）
Fighting Hua
09-18 1875
一、分类模型指标 1 准确率和错误率（该指标评价的前提样本分布平衡） 准确率和错误率既可用于二分类也可用于多分类： 下述公式是准确率、错误率针对二分类情况时候的计算公式 1.1 准确率（该指标评价的前提样本分布平衡） 针对 所有类别 ，计算acc，其计算公式如下： 理解： 在样本（测试集）中所有预测正确的类别个数 与 所有样本的比值，它是针对所有的类别计算的。 精确率和准确率是比较容易混淆的两个评估指标，两者是有区别的。精确率是一个二分类指标，而准确率能应用于多分类，其计算公式为（对分类）： 1.2 错
深度学习在各场景下的评估指标
03-17
梳理了在百度EasyDL上如下几种深度学习场景下的评估指标以及展示方式：  图像：图像分类、物体检测、图像分割  文本：文本分类、短文本匹配、序列标注  视频：视频分类  声音：声音分类
深度学习分类任务评估指标总结
shine的博客
09-18 1340
之前学习了机器学习与深度学习，对于这方面内容也是多有涉猎，但昨天经过师兄的问答考核惊觉自己对于这些评估指标概念并不能很好地表达出来，有种话到嘴边不知道该怎么讲的局促，一些专业术语不知道如何表述，我想这也是我的问题，显得很不专业，因此决定总结一下分类任务中的各类评价指标，当下温习，并供日后学习及参考。 混淆矩阵 混淆矩阵是在分类情况下最为常用的一个指标，是一个可视化工具，在矩阵表格中我们可以很清楚地看到每个类别被识别正确的数量和识别错误的数量。它能够很好地反映一个分类模型的...
扫盲记-第七篇--常见深度学习模型评估指标
weixin_30719711的博客
03-23 1153
深度学习模型评估指标 一个深度学习模型在各类任务中的表现都需要定量的指标进行评估，才能够进行横向的对比比较，包含了分类、回归、质量评估、生成模型中常用的指标。 1 分类评测指标 图像分类是计算机视觉中最基础的一个任务，也是几乎所有的基准模型进行比较的任务，从最开始比较简单的10分类的灰度图像手写数字识别mnist，到后来更大一点的10分类的cifar10和100分类的cifar100，到后来...
（2-分类问题）Accuracy,Precision,Sensitivity,Specificity
贵有恒何必三更眠五更起 最无益只怕一日曝十日寒
12-04 720
我们把数据真实情况分为 True 和 False，用T 和 F 表示，而通过我们的预测得出的正向预测结果为Positive,负向结果为Native。Accuracy指整体无论正负预测都包含的准确率。Precision指正向预测正向预测正向预测的准确率。Sensitivity指在所有真实结果为正的数据中，我们预测出来正值的比例。Specificity指在所有真实结果为负的数据中，我们预测出来负值得比例。 参考文献：precision，recall，sensitivity， specificity ，mA
【Maching Learning】深度学习常用评价指标（分类+回归）
qq_43732429的博客
02-23 4005
深度学习有监督模型，回归和分类常用的评价指标
AUC 评价指标详解，准确率（ACC），敏感性（sensitivity），特异性（specificity）计算 Python3【TensorFlow2入门手册】
“365天深度学习训练营”报名进行中～
01-05 7993
AUC是什么 一句话介绍：AUC（Area under the Curve of ROC）是ROC曲线下方的面积，是判断二分类预测模型优劣的标准。 AUC = 1：是完美分类器，绝大多数预测的场合，不存在完美分类器。 0.5 < AUC < 1：优于随机猜测。 AUC = 0.5：跟随机猜测一样（例：丢硬币），模型没有预测价值。 AUC < 0.5：比随机猜测还差。 ROC曲线的横坐标是伪阳性率（也叫假正类率，False Positive Rate），纵坐标是真阳性率（真正类率，Tru
深度学习基础：分类及其性能度量（准确率、精确率、召回率、P-R曲线、F值、ROC曲线、ROC-AUC计算）
GeekDongHuang的博客
05-06 705
1 分类问题 2 分类性能度量（准确率） 3 分类性能度量（精确率和召回率） 4 分类性能度量（P-R曲线） 5 如何绘制P-R曲线 6 分类性能度量（F值） 7 分类性能度量（ROC） 8 ROC曲线绘制 9 分类性能度量（ROC-AUC计算） 10 分类性能可视化 11 分类报告 ...
深度学习各指标计算（Jaccard,Dice,Sensitive,Specificity,PPv,NPV，Accuracy）
qianqian_aa的博客
07-04 4103
深度学习各指标计算（Jaccard,Dice,Sensitive,Specificity,PPv,NPV，Accuracy）
深度学习模型评价指标
03-10
### 深度学习模型评估指标 #### 准确率 (Accuracy) 准确率是指被正确分类的样本数占总样本数的比例。然而，在类别不平衡的数据集中，高准确率可能并不意味着好的性能，因为大部分预测可能是多数类的结果。 ```...
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