准确率和召回率

最新推荐文章于 2025-03-22 10:41:45 发布
最新推荐文章于 2025-03-22 10:41:45 发布
阅读量297 收藏
点赞数
文章标签： 机器学习 人工智能
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_43534980/article/details/134172605
版权
在100个样品中，模型预测出10真货(5正确，5误)，90假货。混淆矩阵显示召回率为25%，精确率为80%。

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

场景：假设我有100个样品，20个是真货，80个假货，模型预测出来10个真货，90个假货，但是这10个真货里面只有5个是真货

分析：

TP: 真货预测为真货5
TN: 真货预测为假货15
Fp: 假货预测为真货5
fN: 假货预测为假货75 

在这种情况下，混淆矩阵如下所示：

预测为真货预测为假货
真货515
假货575

计算召回率（Recall）的公式为：TP / (TP + FN)
计算准确率（Precision）的公式为：TP / (TP + FP)

根据上面的混淆矩阵，可以计算得到：

  • 召回率 = 5 / (5 + 15) = 0.25 或 25%
  • 准确率 = (5 + 75) / (5 + 15 + 5 + 75) = 80 / 100 = 0.8 或 80%
那个雨季
关注
分类模型评估：混淆矩阵、准确率、召回率、ROC
Laurence的技术博客
02-13 4113
在二分类问题中，混淆矩阵被用来度量模型的准确率。因为在二分类问题中单一样本的预测结果只有Yes or No，即：真或者假两种结果，所以全体样本的经二分类模型处理后，处理结果不外乎四种情况，每种情况都有一个专门称谓，如果用一个2行2列表格描述，得到的就是“混淆矩阵”。其中，假阳性（FP）又被称为“Type 1 Error”，假阴性（FN）又被称为“Type 2 Error”。在所有“预测为真”（TP+FP）的数据中，有多少是“真得预测对了”（TP）的? 这个百分比叫“准确率”（Precision）在所有“实际
人脸检索中的准确率和召回率
路在脚下，更在心中
07-13 5660
准确率和召回率 最近在做人脸检索，涉及到检索的准确率和召回率，在这里简单记录一下：   相关 不相关 检索到 A B 未检索到 C D 则准确率和召回率如下： 准确率=AA+B=检索到的相关人脸检索到的所有人脸准确率=AA+B=检索到的相关人脸检索到的所有人脸 准确率 = \dfrac{A}{A+B} = \d...
准确率（accuracy）、召唤率(recall)和精确率（precision）、ROC，AUC
weixin_49717022的博客
08-18 6416
准确率（accuracy）、召唤率(recall)和精确率（precision） 一、概述 召回率、准确率、精确率、F值的作用： 在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。 二、定义 首先给出一个大家经常见到的图： 混淆矩阵 假正：实际——负例 假负：实际——正例 详细定义 1.准确率 (accuracy)=(TP+TN)/(TP+FN+FP+TN) 【正确的/总的】 通俗解释： 在所有样本中，预测正确的概率 2. 精确率 (precision)=TP/(TP+FP) 【真正/
推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)
mousever的专栏
09-21 5万+
下面简单列举几种常用的推荐系统评测指标： 1、准确率与召回率（Precision & Recall） 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。 一般来说，Precision就
准确率、精确率、召回率、F1值
D2460596421的博客
03-22 974
4. F1 = 2 /（1/精准率 + 1/召回率）=（2*精准率*召回率）/ （精准率+召回率）（在我看来是基于真实类别来判别的，所以分母是该类的真是类别全部个数）（在我看来是基于预测结果来判别的，所以分母是预测该类的全部个数）3.召回率 = 对于一类预测正确的个数 / 真正是该类的全部个数。2.精确率 = 对于一类预测正确的个数 / 预测该类的全部个数。1.准确率 = 预测正确个数 / 总样本的个数；由于需要对精准率和召回率的综合，才引出了F1。准确率和召回率都是基于一类进行研究的。
精确率和回召率
深度的魅力
03-15 1730
精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是 P = TP/(TP+FP)。 而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。也就是...
计算二分类、多分类的准召
xiedelong的博客
06-30 911
df = pd.DataFrame({'real': list(y_test), 'pre1': list(np.argsort(-y_pred, axis=1)[:, 0])}).astype(int) df['pre1'] = df['pre1'].apply(lambda x: id_to_name_dict[index_to_labelid_dict[x]]) df['real'] = df['real'].apply(lambda x: id_to_name_dict[index_to_label
ner计算准召的坑
cuipanguo的博客
01-26 565
1、踩了个大坑，记录一下 声明：不喜欢写estimator所以才踩的坑 1、from tensorflow.contrib import crf 如果想使用这个函数，tensorflow的版本号要在1.14以下，1.12就可以，不要相信那些乱七八糟要求各种版本的 2、 log_likelihood, trans = tf.contrib.crf.crf_log_likelihood( inputs=logits, tag_indices=self.labels, seque
准确率和召回率matlab代码-SPBL_Pytorch:PyTorch实施“用于临床皮肤病识别的自动平衡学习”
05-24
准确率和召回率matlab代码SPBL_Pytorch PyTorch实施“用于临床皮肤病识别的自动平衡学习” 安装 该项目基于和。 并且我们在其中添加了不平衡的学习方法，并修改了一些代码以实现兼容性。 要求 Python 3.4以上 ...
python计算召回率代码_序列标注的准确率和召回率计算
weixin_39849287的博客
02-01 2818
最近在用BiLSTM+CRF做命名实体识别问题。关于模型效果评估，很多提到用conlleval.pl来实现，conlleval.pl是perl语言写的，原谅我没看懂。最后还是决定自己写个程序算一算准确率和召回率。公式准确率 = 预测正确的实体个数 / 预测的实体总个数召回率 = 预测正确的实体个数 / 标注的实体总个数F1 = 2 *准确率 * 召回率 / (准确率 + 召回率)实现1、获取实体：...
Caffe-ssd输出准确率和召回率
03-08
Caffe-SSD的solver.cpp修改后的源码，可输出准确率、召回率和PR曲线值
准确率、召回率、F1是如何确定的
影子
12-23 5792
其中，真实为正例且被预测为正例的样本数为真正例（True Positive, TP），真实为负例但被误预测为正例的样本数为假正例（False Positive, FP），真实为负例且被预测为负例的样本数为真负例（True Negative, TN），真实为正例但被误预测为负例的样本数为假负例（False Negative, FN）。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。= 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值）
精准率和召回率
优快云_of_ding的博客
09-29 9162
其中， TP：样本为正，预测结果为正； FP：样本为负，预测结果为正； TN：样本为负，预测结果为负； FN：样本为正，预测结果为负。 准确率、精准率和召回率的计算公式如下： 准确率（accuracy）： (TP + TN )/( TP + FP + TN + FN) 精准率（precision）：TP / (TP + FP)，正确预测为正占全部预测为正的比例 召回率（recall）： TP / (TP + FN)，正确预测为正占全部正样本的比例 F-measure：precision和recall调和均.
准确率、精准率和召回率的理解
L.Z.的博客
09-29 7万+
            我们在在分类任务时，经常会对模型结果进行评估。评估模型好坏的指标有AUC、KS值等等。这些指标是通过预测概率进行计算的。而准确率、精准率和召回率也通过混淆矩阵计算出来的。下图是对混淆矩阵的介绍：     其中， TP：样本为正，预测结果为正； FP：样本为负，预测结果为正； TN：样本为负，预测结果为负； FN：样本为正，预测结果为负。 准确率、精准率和...
二分类问题中评估模型的示例及释义：召准率、召回率等
weixin_49322652的博客
11-30 1071
召准率是衡量模型预测正类标签时的准确度的指标。它计算的是模型预测的正类中真正为正类的比例。换句话说，召准率表示在所有预测为正类的实例中，正确识别为正类的实例所占的比例。
信息检索(IR)—评价指标(一)
hei653779919的博客
05-05 4120
信息检索(IR)—评价指标(一) 1. 信息检索基本介绍 1.1. 信息检索任务 1.1.1 任务描述 信息检索是指在给定自然语言的文档(或者图片，视频等多媒体)集合和用户的查询(query)的条件，通过系统的处理，返回与query相关的经过排序的文档(或者多媒体)的文档子集。 1.1.2 query的基本形式 根据上述的概念描述，我们可以知道query的基本形式可以包括关键词，带有布尔操作的关键...
准确率、精确率、召回率、F1值、ROC/AUC整理笔记
热门推荐
学习容易上瘾
07-09 14万+
对于二分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。 一、TP、TN、FP、FN概念 首先有关TP、TN、FP、FN的概念。大体来看，TP与TN都是分对了情况，TP是正类，TN是负类。则推断出，FP是把错的分成了对的，而FN则是把对的分成了错的。（我的记忆方法：首先看第一个字母是T则代表分类正确，反之分类错误；然后看P，在T中则是正类，若在F中则实际为...
目标框检测中准确率、召回率、AP、mAP计算原理及代码
MAX的专栏
09-28 9096
假设有M个真值正样本，我们从Top-1 到 Top-N，每累积一个预测就会对应一个recall 和 一个 precision。,M/M），对每一个recall，从对应的precision 中取最大值作为当前recall 对应的precision，求M 个precision的平均得到AP。一般用 IOU 进行匹配，预测框和真实框之间的 IOU 值大于一定阈值时，比如0.5，则认为对真实样本正确预测。但是Accuracy 不经常使用，因为我们在做目标预测的时候往往只关心正样本，而不去关心负样本是否正确预测。
目标检测准确率和召回率
最新发布
04-02
<think>好的，我现在需要回答用户关于目标检测中准确率和召回率的问题。首先，我得回忆一下这两个指标的基本定义和计算方法，同时结合用户提供的引用内容来确保准确性。 准确率（Precision）和召回率（Recall）是分类任务中常用的评价指标，但在目标检测中它们的计算可能有所不同。根据引用[4]，准确率指的是分类正确的正样本占分类器判定为正样本的比例，即查准率。而召回率则是实际正类样本中被正确识别的比例，即查全率，如引用[3]所述。 接下来，我需要考虑目标检测中的具体应用。例如，在目标检测中，每个预测框和真实框的交并比（IoU）是关键因素。引用[2]提到，IoU是预测框与真实框的交集与并集的比值，通常用来判断预测是否正确。比如，当IoU超过某个阈值（如0.5）时，才认为预测正确。 用户提供的引用中有关于准确率和召回率的公式。准确率公式是TP/(TP+FP)，召回率是TP/(TP+FN)。这里的TP是正确检测的正样本，FP是错误的正样本检测（误报），FN是漏检的真实样本。 需要详细说明如何计算TP、FP、FN。例如，在目标检测中，每个真实框可能会有多个预测框，这时候如何处理？可能需要使用非极大值抑制（NMS）来消除冗余的预测框，然后通过IoU判断是否为TP或FP。如果某个真实框没有被任何预测框匹配到，则计入FN。 还要注意，不同的IoU阈值会影响结果。例如，较高的IoU阈值会导致更严格的判定，可能降低TP的数量，从而影响准确率和召回率。因此，在实际应用中需要明确阈值的选择。 另外，引用[1]提到准确率（Accuracy）不常用，因为目标检测更关注正样本的识别情况。这可能是因为在目标检测中，负样本（背景）数量远多于正样本，导致准确率指标不够敏感，所以更侧重精确率和召回率。 最后，总结准确率和召回率在目标检测中的计算步骤，并给出具体例子，比如使用IoU阈值0.5的情况。同时，可以提到如何通过调整置信度阈值来平衡这两个指标，以及F1分数作为两者的调和平均。 用户可能还会关心这些指标的实际应用，比如模型优化时如何根据这些指标调整参数，或者如何解释模型的性能。但根据问题，主要需要明确回答定义和计算方法，确保覆盖引用中的关键点，并正确引用来源。</think>### 目标检测中准确率与召回率的定义与计算方式 #### 1. **准确率（Precision）** **定义**：准确率表示分类器判定为正样本的检测结果中，真正属于正样本的比例，也称为**查准率**。 **计算公式**： $$ \text{Precision} = \frac{TP}{TP + FP} $$ - **$TP$（True Positive）**：正确检测到的正样本（预测框与真实框的IoU ≥ 阈值）。 - **$FP$（False Positive）**：误检为正样本的负样本（预测框与真实框的IoU < 阈值，或未匹配到真实框的预测框）[^4]。 #### 2. **召回率（Recall）** **定义**：召回率表示所有实际存在的正样本中，被正确检测到的比例，也称为**查全率**。 **计算公式**： $$ \text{Recall} = \frac{TP}{TP + FN} $$ - **$FN$（False Negative）**：未被检测到的真实正样本（真实框未匹配到任何预测框）[^3]。 --- #### 3. **目标检测中的具体实现** 1. **IoU（交并比）**： 预测框与真实框的交集面积除以并集面积： $$ \text{IoU} = \frac{\text{交集面积}}{\text{并集面积}} $$ 通常设定阈值（如0.5）判断是否为有效检测[^2]。 2. **匹配规则**： - 每个真实框仅与一个预测框匹配（通常选择IoU最大的预测框）。 - 若预测框未匹配到任何真实框，则视为$FP$。 - 未被匹配的真实框视为$FN$。 --- #### 4. **示例说明** 假设检测结果如下： - **真实框**：10个 - **预测框**：12个（其中8个IoU ≥ 0.5，4个IoU < 0.5） - **未匹配的真实框**：2个 计算过程： - $TP = 8$ - $FP = 4$ - $FN = 2$ - **准确率**：$8 / (8+4) = 66.7\%$ - **召回率**：$8 / (8+2) = 80\%$ --- #### 5. **指标间的权衡** - **提高准确率**：需减少$FP$（如提高检测阈值），但可能导致$FN$增加，召回率下降。 - **提高召回率**：需减少$FN$（如降低检测阈值），但可能引入更多$FP$，准确率下降。 - **F1-score**：综合两者的调和平均值： $$ F1 = \frac{2 \cdot \text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} $$ ---
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