关于Top-1错误率、Top-1准确率、Top-5错误率、Top-5准确率的实例辨析

 论文中是这样解释  和  错误率的：

The former is a multi-class classification error, i.e. the proportion of incorrectly classified images; the latter is the  main evaluation criterion used in ILSVRC, and is computed as the proportion of images such that the ground-truth category is outside the top-5 predicted categories. 

目录

公式先知

实例理解

结论

---

公式先知

错误率 （所有测试图片中正确标签不在模型输出的最佳标记中的样本数） 总样本数

准确率 （所有测试图片中正确标签在模型输出的最佳标记中的样本数） 总样本数

错误率  （所有测试图片中正确标签不在模型输出的前 个最佳标记中的样本数） 总样本数

 准确率  （所有测试图片中正确标签在模型输出的前 个最佳标记中的样本数） 总样本数

实例理解

下面以一个  分类案例理解   与 ：

已知  个类别：

•   

假设测试图像共  张：

• 测试图 ：，人工标签：
• 测试图 ：，人工标签：
• 测试图 ： ，人工标签：

测试图全部输入模型：

• 测试图  的前 个最佳标记：（最佳标记为 ）
• 测试图  的前 个最佳标记：（最佳标记为 ）
• 测试图  的前 个最佳标记：（最佳标记为 ）

则：

•  错误率  
•  准确率  
•  错误率  
•  准确率  

结论

1.  和 错误率（或准确率） 是深度学习中评价模型预测错误率的两个指标。
2. 一般来说， 和  的错误率越低（或准确率越高），模型的性能也就越好。
3. 一般而言， 的错误率在数值上会比  错误率的数值要小，毕竟从  个结果里猜对的几率要比只从 个结果里猜对的几率要大嘛！