对召回率、准确率、mAP的理解

最新推荐文章于 2024-01-24 17:11:03 发布
最新推荐文章于 2024-01-24 17:11:03 发布
阅读量7.4k 收藏 5
点赞数 3
CC 4.0 BY-SA版权
分类专栏： 数学及算法
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.csdn.net/zylxadz/article/details/41694563
本文对比了两个系统在检索特定类别数据时的表现，通过查全率、准确率和mAP（平均精确率）进行评估。在相同查全率和准确率的情况下，使用mAP作为评价标准能更全面地反映系统的性能。

比如一个数据库，男5人，女5人

系统1搜索女，结果排序如下：

1 女

2 男

3 男

4 男

5 女

6 女

7 女


系统2 搜索女，结果排序如下：

1 女

2 女

3 女

4 女

5 男

6 男

7 男


对于系统1：

查全率=系统检索到的相关文件 / 系统所有相关的文件总数=4/5

准确率=系统检索到的相关文件 / 系统所有检索到的文件总数=4/7

mAP=（1/1+2/5+3/6+4/7）/5


对于系统2：

查全率=系统检索到的相关文件 / 系统所有相关的文件总数=4/5

准确率=系统检索到的相关文件 / 系统所有检索到的文件总数=4/7

mAP=（1/1+2/2+3/3+4/4）/5


结论：系统1和系统2，查全率和准确率相同，此时用mAP来衡量系统好坏，更加有效。

准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 4万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
模型评估指标：准确率召回率与F1值
AI天才研究院
05-01 1574
1. 背景介绍 在机器学习领域，构建模型只是第一步，评估模型的性能则是至关重要的一环。模型评估指标能够帮助我们量化模型的优劣，并指导模型的改进方向。在众多的评估指标中，准确率、召回率和F1值是最为常见的三个指标，它们分别从不同的角度衡量模型的性能。 1.1 分类问题的评估指标 准确率
map平均准确率_「召回率」准确率，召回率，mAP(mean average precision)解释 - seo实验室...
weixin_32344641的博客
01-27 635
召回率准确率Precision召回率Recall其实这个翻译相当蛋疼。。。recall最合理的翻译应该是 查全率而Precision的最合理的翻译应该是查准率这样就很容易理解了，假设一个班级有10个学生，5男5女你用机器找女生，机器返回了一下结果：| 男 | 女 | 女 | 男 | 女 | 男 |那么查准率为：3/6 = 0.5(返回的6个结果只有3个正确)查全率为: 3/5 = 0.6 (所...
性能指标（模型评估）之mAP
热门推荐
秋人别院
08-26 8万+
为什么性能指标用于评价模型的好坏，当然使用不同的性能指标对模型进行评价往往会有不同的结果，也就是说模型的好坏是“相对”的，什么样的模型好的，不仅取决于算法和数据，还决定于任务需求。因此，选取一个合理的模型评价指标是非常有必要的。错误率 & 精度针对数据集DD和学习器ff而言：1、错误率：分类错误的样本数占总样本的比例 E(f;D)=1m∑i=1mI(f(xi)≠yi) E(f;D)=\frac 1
目标检测评估指标 mAP P R
m0_59787404的博客
02-22 5653
R（召回率recall）=正确预测的正样本数/实际拥有的正样本数 P（准确率precision）=正确预测的正样本数/总预测样本数 R是查全率，P是查准率，是两个不同维度的衡量方法。有时这两个是矛盾的，比如只检测出了一个结果，且是正确的，那么P就是100%，但是R就会很低。如果我们把所有认为可能的结果都返回，那么P可能就会很低，R就很高 比如： R高P低：所有汽车都被正确识别出来，但是很多卡车也被误认为是汽车 R低P高：识别出的飞机都是正确的，但还有很多飞机没被识别出来 所以衡量一个模型
mAP，召回率（Recall），精确率（Precision）
hai_xiao_tian的博客
05-16 4636
一、mAP（MeanAveragePrecision）1.对于某类别C，在一张图片上        ， 即P=一张图片上类别C识别正确的个数 / 这张图片上类别C的总个数2.对于类别C，在多张图片上        ， 即AP=每张图片上的Precision求和  /  含有类别C的图片数目3.对于整个数据集而言，存在多个类别C1、C2、C3...    ，即mAP=所有类别的AP求和  /  总的...
准确率， 召回率，mAP
ayst_ayst的专栏
08-28 664
这两篇文章讲得很好： http://blog.csdn.net/marising/article/details/6543943 http://blog.sciencenet.cn/blog-460603-785098.html fa
map平均准确率_目标检测评价指标mAP 精准率和召回率
weixin_33901087的博客
01-27 1710
首先明确几个概念,精确率,召回率,准确率精确率precision召回率recall准确率accuracy以一个实际例子入手,假设我们有100个肿瘤病人. 95个良性肿瘤病人,5个恶性肿瘤病人. 我们有一个检测系统,去检测一个肿瘤病人是否为恶性. 那么,对我们的系统来说,有100个样本,5个正样本,95个负样本.假设分布为1,1,1,1,1,0,0,.......(即前5个人为恶性,后95个为良性)...
准确率、召回率及mAP
清风与归
12-10 3233
看mAP前，我们需要先了解下P和R的概念 （1）Precision：准确率，又称查准率，指所有检索到的文件中，相关文件所占的比率。 （2）Recall：召回率，又称查全率，指所有相关文件中，检索到的文件所占的比率。 图源：http://www.vanjor.org/blog/2010/11/recall-precision/ (侵删) 注意：在实际应用中，一般准确率高时，召回率低；召回率高时，准...
准确率，召回率，mAP(mean average precision)解释
milk_and_bread的博客
05-20 1242
准确率Precision 召回率Recall 其实这个翻译相当蛋疼。。。 recall最合理的翻译应该是 查全率 而Precision的最合理的翻译应该是查准率 这样就很容易理解了，假设一个班级有10个学生，5男5女 你用机器找女生，机器返回了一下结果： | 男 | 女 | 女 | 男 | 女 | 男 | 那么查准率为：3/6 = 0.5（返回的6个结果只有3个正确） 查全率为: 3/5 = 0.6 （所有女生有5个，但只找到3个） 参考文章：https://blog.csdn.net/leviopku/a
AP和MAP
onlyforbest的博客
10-28 1938
MAP(Mean Average Precision)：单个主题的平均准确率是每篇相关文档检索出后的准确率的平均值。主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。 MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高)，MAP就可能越高。如果系统没有返回相关文档，则准确率默认为0。 例如：假设有两个主题，主题1有4个相关网页，主题2有5个相关网页。某系统对于主题1检索出4个相关网页，其rank分别为1, 2, 4, 7；对于主题2检索出3个相关网页，其
准确率、精确率、召回率、F1 score、AP、MAP
qq_23022733的博客
08-31 599
准确率、精确率、召回率、F1 score 参考：AP、MAP 参考：，
准确率(precision) 召回率(recall) mAP计算
weixin_43102043的博客
06-14 1406
precision 和 recall
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC
架构和代码
07-06 5万+
在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式:             召回率(Recall)      =  系统检索到的相关文件 /
map平均准确率_MAP和NDCG
weixin_39603050的博客
12-23 1495
推荐系统中常用的两个指标MAP和NDCG的学习笔记以例子来讲解：假如有用户A,B,C,D,E,F，推荐系统给每个用户推荐的结果如下：1表示相关，0表示不相关。userrecommendationA1,0,0B0,1,0C0,0,1D1,0,1E0,1,1F1,1,11.MAP：1）AP(Average Precision), 即为平均准确率。MAP(Mean Average Precision)，...
【详细解释深度学习图像分类&检测评价指标】准确率Accuracy、精确率Precision、召回率Recall、mAP等(一文搞懂，建议收藏)
cqy阳的博客
01-24 1万+
【详细解释深度学习图像分类&检测评价指标】准确率Accuracy、精确率Precision、召回率Recall、mAP等(一文搞懂，建议收藏)
map平均准确率_AP，mAP计算详解（代码全解）
weixin_39605840的博客
12-10 2551
定义Accuracy：准确率✔️ 准确率=预测正确的样本数/所有样本数，即预测正确的样本比例（包括预测正确的正样本和预测正确的负样本，不过在目标检测领域，没有预测正确的负样本这一说法，所以目标检测里面没有用Accuracy的）。 Precision：查准率✔️ recision表示某一类样本预测有多准。✔️ Precision针对的是某一类样本，如果没有说明类别，那么Precision是毫无意义的...
准确率、精确率、召回率、F-measure值、Map
ding_programmer的博客
05-01 8768
准确率、召回率和 F 值是在鱼龙混杂的环境中，选出目标的重要评价指标。不妨看看这些指标的定义先： TP-将正类预测为正类 FN-将正类预测为负类 FP-将负类预测为正类 TN-将负类预测为负类 准确率（precision）： 也叫作查准率。即正确预测为正...
精度、召回率和准确率和map
最新发布
01-12
### 精度 (Precision) 精度衡量的是预测为正类的结果中有多少是真正的正类。较高的 Precision 表明模型对于 "预测为 Positive" 的判断更加可信[^1]。 公式如下： \[ \text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}} \] 其中 True Positives 是真正例的数量，而 False Positives 则是指错误地标记成正类的例子数量。 ```python def calculate_precision(true_positives, false_positives): if true_positives + false_positives == 0: return 0 return true_positives / (true_positives + false_positives) ``` ### 召回率 (Recall) 召回率指的是所有实际为正类的数据中被正确识别的比例。这反映了模型发现所有正样本的能力。 公式表示为： \[ \text{Recall} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}} \] 这里 False Negatives 表示实际上属于正类却被误判为负类的情况数。 ```python def calculate_recall(true_positives, false_negatives): if true_positives + false_negatives == 0: return 0 return true_positives / (true_positives + false_negatives) ``` ### 准确率 (Accuracy) 准确率是最直观的理解方式之一，它代表了分类器做出的所有预测中有多少比例是正确的。然而，在不平衡数据集上可能不是最佳评估指标。 计算方法很简单: \[ \text{Accuracy} = \frac{\text{Correct Predictions}}{\text{Total Predictions}} \] 即 \[ \text{Accuracy} = \frac{\text{True Positives} + \text{True Negatives}}{\text{All Samples}} \] ```python def calculate_accuracy(true_positives, true_negatives, all_samples): if all_samples == 0: return 0 return (true_positives + true_negatives) / all_samples ``` ### 平均精确率 (Mean Average Precision, MAP) MAP 主要用于信息检索领域以及多标签分类问题中的性能评价。其核心思想是在不同阈值下分别求得每个查询对应的 AP 值（Average Precision），再取这些 AP 的算术平均作为最终得分。 具体实现较为复杂，通常依赖于特定应用场景下的定义。一般情况下会涉及到先按置信度排序，然后逐步降低阈值来统计每次变化后的 Precision 和 Recall 来构建 PR 曲线并据此得到 AP 值。 ```python import numpy as np def average_precision(relevance_scores): """Calculate the average precision.""" total_relevant = sum(relevance_scores) if total_relevant == 0: return 0 precisions_at_k = [] num_correct_predictions = 0 for i, relevant in enumerate(relevance_scores, start=1): if relevant: num_correct_predictions += 1 precisions_at_k.append(num_correct_predictions / i) return np.mean(precisions_at_k) def mean_average_precision(query_results_list): """Compute Mean Average Precision over multiple queries""" aps = [average_precision(result['relevances']) for result in query_results_list] return np.mean(aps) ```
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