常用的评测指标

最新推荐文章于 2025-05-08 11:00:50 发布
原创 最新推荐文章于 2025-05-08 11:00:50 发布 · 412 阅读 · 0 ·
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。
文章标签：

#nDCG

本文介绍了NDCG（归一化折扣累积增益）的概念及其组成部分，包括顺序影响、归一化处理和累积计算等核心概念，并对ROC曲线和AUC（曲线下面积）进行了详细的解释。

  • NDCG（Normalized Discounted Cumulative Gain）: 维基百科写的很清楚。
    注意理解这四个词。
    Discounted：顺序影响指标。
    Normalized：消除文档个数对指标的影响。
    Cumulative：累积。

  • ROC和AUC
    参考：ROC和AUC介绍以及如何计算AUC

Image captioning常用的指标
安静到无声
03-26 693
n-gram是自然语言处理中常用的一种模型，它是指由n个连续的词组成的序列。
行人重识别（Person Re-ID）【一】：常用评测指标
volcano_Lin 的博客
10-10 8870
1、gallery和probe： gallery是候选行人库，probe是待查询输入，也叫查询图像（query）。       2、single shot 和muti shot： 前者是指gallery中每个人的图像为一张（N=1），而后者是指gallery中每个人的图像为N>1张图像，同样的Rank-1下，一般N越大，得到的识别率越高。       3、rank-n： ...
推荐系统（2）——评测指标
weiyaner的博客
12-18 1409
根据评测体系来评价一个推荐系统的好坏，由于推荐系统是和实际收益挂钩，所以需要考虑三方（用户，物品提供者和平台）的利益，实现最大化的三方共赢。 接下来从实验方法，评测指标和评测维度\red{实验方法，评测指标和评测维度}实验方法，评测指标和评测维度进行介绍 1 实验方法 通过实验来获取评价指标，主要有三个: 1.1 离线实验(offline experiment) 在一个离线的数据集上完成，不需要一个实际的系统作为支撑，只需要有一个从日志中提取的数据集即可。 1、步骤 a）通过日志系统获得用户行为数据，并按
常用推荐系统评测指标
weixin_46351593的博客
06-05 5344
本文作为我学习推荐算法时的学习笔记，来总结一些推荐系统中的评测指标通常推荐系统的评测方法有四种：。本文主要介绍线下评测，线下评测是推荐系统的，通常有两种评测方式，一种是，一种是。（1）是一种军事演习式的测试。模拟测试当然无法代替真实数据，但是也能暴露一些问题。通常做法是先收集业务数据，也就是根据业务场景特点，构造用户访问推荐接口的参数。这些参数要尽量还原当时场景，然后拿这些参数数据去实时访问推荐推荐，产生推荐结果日志，收集这些结果日志并计算评测指标，就是离线模拟测试。
我对推荐评测指标的理解
maryzbf的博客
11-13 1031
最近在看像亮的《推荐系统实践》，看到推荐系统评测指标这里，就突然想从自己常用的产品（主要是手机淘宝）里找一些实际的例子来加深自己的理解。当然，我不是阿里的员工，没有接触过这些推荐系统，说的不一定准确。        作者提到的评测指标有：用户满意度、预测准确度、覆盖率、多样性、新颖度、惊喜度、信任度、实时性、健壮性、商业目标。 （1）用户满意度        用户满意度是让用户去评判推荐系统
信息检索 度量指标 Normalized Discounted Cumulative Gain NDCG 全
kyle1314608的博客
02-01 1121
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Amit Chaudhary 编译：ronghuaiyang 导读 由浅入深逐个解析信息检索中的度量指标。 我们今天遇到的大多数软件产品都集成了某种形式的搜索功能。我们在谷歌上搜索内容，在YouTube上搜索视频，在亚马逊上搜索产品，在Slack上搜索信息，在Gmail上搜索邮件，在Facebook上搜索人等等。 作为用户，工作流非常简单。我们可以通过在搜索框中写下我们的查询来搜索条目，系统中的排名模型会...
Discounted Cumulative Gain（DCG）
荣耀之路
11-28 4038
折损累积增益
推荐系统中的常用评测指标
qq_32486393的博客
06-12 1616
一.Hit Ratio（HR） 1.在top-K推荐中，HR是一种常用的衡量召回率的指标，其计算公式如下： 分母是所有的测试集合，分子是每个用户top-K推荐列表中属于测试集合的个数的总和。 2.举例： 　　三个用户在测试集中的商品个数分别是10，12，8，模型得到的top-10推荐列表中，分别有6个，5个，4个在测试集中，那么此时HR的值是 (6+5+4)/(10+12+8) = 0.5。 二...
语音质量评测指标的介绍.doc
12-14
PESQ 评估方法是目前最常用的语音质量评测指标之一。PESQ 的基本原理是通过对语音信号的分析来评估语音服务质量。PESQ 的应用非常广泛，例如在 GSM 网络中，PESQ 可以对语音服务质量进行评估和测量。 在 MOS 测试...
语义分割常用评价指标
Metaphysicist的博客
01-23 4824
语义分割是计算视觉任务中一个重要而常见的问题。在实际应用中,评估模型预测效果以及各指标意义很重要。本文主要评价指标的概念和计算代码进行了详细描述,以帮助读者了解不同指标的数学含义和应用。文章首先阐述了语义分割任务的重要性。然后系统地介绍了7类常用评价指标,分别是Jaccard系数、F1分数、召回率、精确率、准确率、Dice系数和特异度、敏感度,给出了每个指标的定义和计算公式。
排序评估指标——NDCG和MAP
comli_cn的博客
02-18 7515
用实例理解NDCG和MAP
推荐系统笔记（三）：NDCG Loss原理及其实现
qq_46006468的博客
07-29 3473
为了做一个归一化数据，我们在检索的时候，可能返回的数据有很多条，累加的数目不一样，无法对两个搜索模型进行比较，就行在缓存中，当缓存行分别有10条和20条，他们的DCG之和不具有可比性，需要归一化才能定性的比较，这就是NDCG的主要思想。......
搜索评价指标 / 标签排序指标：nDCG
绯荔榭•少年
08-23 1745
nDCG, Normalized Discounted cumulative gain, 翻译为归一化折损累计增益。这个指标通常是用来衡量和评价搜索结果算法。
搜索排序评价指标
smartcat2010的博客
11-23 1790
信息检索中常用的评价指标：MAP,NDCG,ERR,F-measure 一. NDCG: Normalized Discounted Cumulative Gain; rel是相关度(Gain)；i是排名位置（Discounted）, 加起来就是Cumulative N是Normalized; (Query是同一个p，但是分子（当前列表）和分母（最优列表）的内容可能不同） ...
nDCG（Normalized Discounted Cumulative Gain，归一化折损累计增益）
最新发布
陈开心的博客
05-08 691
nDCG（Normalized Discounted Cumulative Gain，归一化折损累计增益）是一种用于评估排序质量的指标，常见于信息检索和推荐系统。它考虑了排序列表中每个位置的相关性得分，并对靠前位置给予更高权重，同时通过归一化处理使结果在0到1之间，便于不同排序结果的比较。它的计算步骤应该是先计算DCG，然后找到理想情况下的IDCG，最后用DCG除以IDCG得到nDCG。
推荐算法——NDCG归一化折扣累积增益
AndrewPerfect的博客
07-11 654
（Normalized Discounted Cumulative Gain），是一种常用的衡量搜索引擎和推荐系统结果质量的指标。NDCG考虑了结果的相关性和结果的排名位置，其值在0到1之间，值越大表示搜索结果质量越高。IDCG是理想情况下的DCG，即结果按相关性排序时的DCG。其计算方法与DCG相同，只不过结果列表是按相关性降序排列的。其中，relirel_ireli​ 表示结果列表中第 iii 个结果的相关性评分，ppp 是结果列表的长度。
深度学习、目标检测情景中常见的模型评测指标
RayChiu757374816的博客
12-13 7411
深度学习以及其目标检测应用场景下，训练出来的模型到底好不好有一些评价指标，在这里我们罗列一下这些常见的评价指标。
DCG, NDCG 公式及其实现
止鱼
05-03 5956
DCG, NDCG Normalized Discounted Cumulative Gain(归一化折损累计增益) NDCG用作排序结果的评价指标，评价排序的准确性。 推荐系统通常为某用户返回一个item列表，假设列表长度为K，这时可以用NDCG@K评价该排序列表与用户真实交互列表的差距。 解释： Gain: 表示列表中每一个item的相关性分数 Gain = r(i) Cumulati...
目标检测常用评价指标
03-29
### 目标检测常用评价指标详解 #### 平均精度 (Average Precision, AP) AP 是目标检测中非常重要的一个评价指标，表示的是 **Precision-Recall 曲线下方的面积**。对于一个好的分类器而言，其 AP 值通常较高[^3]。在实际计算过程中，AP 反映了一个特定类别下模型的表现情况。 #### Mean Average Precision (mAP) mAP 则是对多个类别的 AP 进行平均后的结果，用来综合评估模型在整个数据集上的性能。具体来说，它是通过对每个类别单独计算 AP 后再取平均值得到的结果[^4]。这种设计使得 mAP 能够更好地反映多类别场景下的检测效果以及不同类别间的平衡性。 #### 精确率 (Precision) 精确率定义为真正例数量占预测正例总数的比例，即 \( \text{Precision} = \frac{\text{TP}}{\text{TP}+\text{FP}} \)，其中 TP 表示真阳性样本数，FP 表示假阳性样本数。高 Precision 意味着模型很少错误地标记负样本为正样本[^5]。 #### 召回率 (Recall) 召回率是指被正确识别出来的正样例数目占所有真实正样例总比例，表达式为 \( \text{Recall} = \frac{\text{TP}}{\text{TP}+\text{FN}} \)，这里 FN 是指未检出的实际正样本的数量。较高的 Recall 显示该算法能够有效地找到尽可能多的相关实例。 #### 交并比 (Intersection over Union, IOU) IOU 度量用于判断两个边界框重叠程度的一个标准方法，在目标定位任务里尤其重要。它的基本原理是比较预测框和地面实况之间区域大小的关系，当且仅当 IOU 大于设定阈值时才认为两者匹配成功[^2]。 ```python def compute_iou(boxA, boxB): # determine the coordinates of the intersection rectangle xA = max(boxA[0], boxB[0]) yA = max(boxA[1], boxB[1]) xB = min(boxA[2], boxB[2]) yB = min(boxA[3], boxB[3]) # compute the area of intersection rectangle interArea = max(0, xB - xA + 1) * max(0, yB - yA + 1) # compute the area of both boxes boxAArea = (boxA[2] - boxA[0] + 1) * (boxA[3] - boxA[1] + 1) boxBArea = (boxB[2] - boxB[0] + 1) * (boxB[3] - boxB[1] + 1) iou = interArea / float(boxAArea + boxBArea - interArea) return iou ``` 以上这些指标共同构成了现代目标检测领域内的核心评测体系，帮助研究者们更全面地分析模型优劣之处。
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