深度学习中的评价指标

本文详细介绍了深度学习中常用的评价指标,包括分类问题的准确率、精确率、召回率和F1分数,以及目标检测中的平均精度均值(mAP)。通过实例解释了混淆矩阵在评估模型性能中的应用,帮助理解模型在不同类别上的表现。

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

0 分类问题评价指标

根据分类器在测试数据集上的预测或正确或不正确可以分为四种情况:
TP——将正类预测为正类数
FN——将正类预测为负类数
FP——将负类预测为正类数
TN——将负类预测为负类数

记忆方法:
T=True=+1            F=False=-1      (T和N并不是指代实际的是正类和负类)
P=Positive=+1      N=Negative=-1 (P和N指明了预测的是正类还是负类)
实际正例=+1         实际负例=-1

实际的正类和负类按照下面的方法:
TP的实际类别 = 1*1=1(实际正例)
FN的实际类别=-1*-1=1(实际正例)
FP的实际类别=-1*1=-1(实际负例)
TN的实际类别=1*-1=-1(实际负例)

因此:
TP+FN=实际正例的数量
TP+FP=预测正例的数量

准确率 accuracy=TP+TNP+N==P+N a c c u r a c y = T P + T N P + N = 正 确 分 类 数 量 样 本 总 数 = 所 有 正 例 P + 所 有 负 例 N

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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