深度学习的精确率和召回率，浅显的例子

最新推荐文章于 2025-07-09 14:00:24 发布

转载最新推荐文章于 2025-07-09 14:00:24 发布 · 1.4k 阅读

2 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/tangxiaosheng/p/10796827.html

文章标签：

#人工智能

本文通过具体案例，深入解析了在男女儿童分类任务中，如何计算和理解准确率与召回率。通过5万儿童样本的分类实验，详细阐述了TP、FP、FN、TN的概念及其在评估模型性能中的应用。

最近正好做男女儿童的分类，举个具体的例子解释一下：

假设儿童5w, 识别成儿童的有 4w，识别成 other 的有1w.
other 10w, 识别成other的有8w, 识别成儿童的有 2w
下面分析儿童的准确率和召回率，那么按照给出的信息分析下面表格：

儿童相关数据儿童不相关数据

检索到儿童是儿童的数据并识别为儿童把other识别成儿童
（正类识别为正类， TP=4w）（负类识别为正类，FP=2w）

未检索到儿童是儿童数据却识别为other 把other识别为 other
(正类识别为负类， FN= 1w) (负类识别为负类， TN=8w)

由于我们现在分析的是儿童的准确率和召回率，所以儿童是正类，other是负类，
所以准确率可以解释为，在所有判别为儿童的数据中是儿童的数据的比例：
acc = TP /（TP + FP） = 66.67%
召回率可解释为，在所有儿童相关的数据中，判别为儿童的数据的比例：
recall = TP / (TP + FN) = 80%
同样的可以统计 other 的准确率和召回率，根据上面表格中详细的解释，可以自己试试。

上面内容是拷贝过来的，

笔者补充：

F1 Score：F1 Score = P*R/2(P+R)，其中P和R分别为 precision 和 recall

F1 = 0.18

转载于:https://www.cnblogs.com/tangxiaosheng/p/10796827.html