深度学习常用性能评价指标，别再说自己不会了

2401_84264429

已于 2024-04-11 13:51:43 修改

阅读量621

点赞数 14

分类专栏： 2024年程序员学习文章标签：深度学习人工智能

于 2024-04-11 13:51:42 首次发布

本文链接：https://blog.csdn.net/2401_84264429/article/details/137636692

版权

本文详细介绍了深度学习的性能评价指标，包括准确率、精确率、召回率、特异度等，以及F分数、阳性似然比等，旨在帮助读者理解和评估模型的性能。此外，还提及了Python学习资源和大厂面试经验分享。

摘要由CSDN通过智能技术生成

前言

深度学习性能指标是用于评价深度学习模型性能的依据，是设计模型的重要依据。

基于准确度的指标

混淆矩阵

对于模型而言仅统计预测正确或错误的个数其意义有限，标准化的衡量具有更准确的参考价值。

准确率(Accuracy, ACC)：判断正确的结果与所有观测样本之比， A C C = T P + T N T P + F P + F N + T N ACC= \frac{TP+TN}{TP+FP+FN+TN} ACC=TP+FP+FN+TNTP+TN

精确率(precision)或阳性预测值(Positive Predictive Value, PPV)：判断正确的结果占预测为positive的比例， P r e c i s i o n = T P T P + F P Precision= \frac{TP}{TP+FP} Precision=TP+FPTP

灵敏度(Sensitivity)或称召回率(Recall)或真阳率(True Positive Rate, TPR)：模型预测正确的个数占真实值为positive的比例， S e n s i t i v i t y = T P T P + F N Sensitivity= \frac{TP}{TP+FN} Sensitivity=TP+FNTP

特异度(Specificity)或选择率(Selectivity)或真阴率(True Negative Rate, TNR)：判断正确的个数占真实值为Negative的比例， S p e c i f i c i t y = T N T N + F P Specificity= \frac{TN}{TN+FP} Specificity=TN+FPTN

阴性预测值(Negative Predictive Value, NPV)：判断正确的结果占预测为negative的比例， N P V = T N T N + F N NPV=