【深度学习图像分割】对与精确率/查准率&召回率/查全率的简明理解

已于 2024-04-28 14:55:39 修改
阅读量161 收藏
点赞数 2
分类专栏： 深度学习系列 文章标签： 深度学习 人工智能
于 2024-04-28 14:38:26 首次发布
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/Mr_K_night/article/details/138277529
版权

精确率（Precision）/查准率

个人理解：所有预测为正的结果当中，实际是正的所占比例。
在图像分割（目标提取）任务中，体现的是提取结果（从正预测的角度）的错误率高不高。

召回率（Recall）/查全率

个人理解：实际是正的当中，预测为正的所占比例。
在图像分割（目标提取）任务中，体现的是提取结果（从正预测的角度）的漏提率高不高。

以上个人理解不一定完全对。
参考：
1
2

空空转念
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习基础概念：查准率、查全率、ROC、混淆矩阵、F1-Score 机器学习实战：分类器
12-21
机器学习：基础概念查准率、查全率F1-Score、ROC、混淆矩阵机器学习实战：分类器性能考核方法：使用交叉验证测量精度性能考核方法：混淆矩阵精度和召回率ROC曲线训练一个随机森林分类器，并计算ROC和ROC AUC分数 查准率、查全率 对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例TP、假正例FP、真反例TN、假反例FN四种，令TP、FP、TN、FN分别表示其对应的样例数，则显然有TP+FP+TN+FN=样例总数，分类结果的“混淆矩阵”为： 查准率P： p=TPTP+FP p=\frac{TP}{TP+FP} p=TP+FPTP​ 查全率R： R=TPTP+FN
m.zip_matlab_召回率_图像召回率_图像的召回率_标记算法
07-13
计算两幅图像的交叉率，精确率，召回率，可用于比较算法标记和手工标记的两幅二值化图像。
acc.m.zip_ACC图像分割_F1-score_Score!_acc.m_图像召回率
09-23
计算图像各种分割性能指标，最终结果保存在data里，有精确度、精准度、召回率、F1-score等指标。
机器学习 之评估指标 召回率，查准率，F1分数(f1值)
01-07
1、召回率：评价模型的完整性 预测样本中的预测正确的信息条数/总样本中所有的属于这类样本的信息条数 举例： 这里用鱼和虾举例 TP： 将鱼预测为鱼 FP: 将虾预测为鱼 FN: 将鱼预测虾 TN： 将虾预测为虾 召回率R = TP/(TP+FP) （正确预测鱼的信息条数/原样本中所有鱼的信息条数） 2、查准率：评价模型的正确性 查准率：某一类 预测样本中的预测正确的信息条数/预测样本中所有的信息条数 查准率P = TP/(TP+FP) 不同于正确率 正确率：所有预测正确样本除以所有预测样本 准确率 = （TP+TN）/(TP+FP+FN+TN) 3、F1分数： F1分数可以看作模型的
查准率（precision，也叫精确率）和查全率（recall，也叫召回率）
npk191954的专栏
09-25 3235
比如极端情况下，我们只搜索出了一个结果，且是精确的，那么Precision就是100%，但是Recall就很低；一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是精确的，Recall就是所有精确的条目有多少被检索出来了。3. F值 = 精确率 * 召回率 * 2 / (精确率 + 召回率) （F 值即为精确率和召回率的调和平均值）精确率、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。召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的。
机器学习模型常用评估指标：Precision（精准率、查准率）和Recall（召回率、查全率）的理解和应用
捡起一束光的博客
10-18 2789
Precision和Recall是矛盾统一的两个指标：为了提高Precision，分类器需要尽量在“很有把握”的时候才把样本当做正样本，但这样往往由于过于保守，会漏掉很多“没有把握的正样本”，导致你的召回率（Recall）降低。
分类模型评估指标——准确率、精准率、召回率、F1、ROC曲线、AUC曲线
ZJQ的博客
08-27 3741
机器学习模型需要有量化的评估指标来评估哪些模型的效果更好。本文将用通俗易懂的方式讲解分类问题的混淆矩阵和各种评估指标的计算公式。将要给大家介绍的评估指标有：准确率、精准率、召回率、F1、ROC曲线、AUC曲线。
深度学习分类任务中的准确率、精确率（查准率）、召回率（查全率）、F1值、ROC曲线的AUC值，
chumingqian的博客
01-05 3500
其中关于 TP, TN;FP, FN 的解释；其中;注意，此时这里的正样本代表的 是 预测属于某一类别的样本；负样本则代表预测不属于某一类别的样本。举例说来部分仓库， 与此不一致，列代表真实值，行代表预测值，需要阅读代码的时候，通过查看文档确定；
【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 6894
【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)
2.召回率（查全率）以及准确率的理解
Moneys的博客
07-27 1389
1.召回率/查全率(recall) 查询到的数据中有用的数据占所有有用的数据的比率 2.准确率(precision) 查询到的数据中有用的数据比率占总查询的数据的比率
图像分割度量标准--matlab代码
04-29
图像分割实验常用matlab代码供参考；包括准确率、召回率等的计算代码
影像边界提取精度评定
04-02
可用于对影像目标对象边界提取结果和参考边界对比，以边界准确度、边界召回率和F1_measure作为指标进行精度评定
深度学习简明教程系列 —— 基础知识（合集）
编程之路
08-25 6540
参考：https://www.zhihu.com/question/53405779 https://zhuanlan.zhihu.com/p/61880018 第一章 模型评估 1.1 基础概念 假设有m个样本，其中有a个样本分类错误，则有：
机器学习之Python Sklearn——线性回归
MoaKap的专栏
06-01 7195
基于python sklearn的机器学习入门，常用线性回归算法等。
论文阅读：Early depression detection in social media based on deep learning and underlying emotions
最新发布
JieBao11的博客
03-15 988
抑郁症是对公共健康的挑战，经常与残疾有关，也是导致自杀的原因之一。许多抑郁症患者使用社交媒体获取信息，甚至谈论他们的问题。一些研究已经提出在这些网络环境中检测潜在的抑郁症用户。然而，效果不理想仍然是实际应用的障碍。因此，我们提出了一种基于卷积神经网络的社交媒体早期抑郁症检测方法，该方法结合了与上下文无关的词嵌入和早晚期融合方法。将表情符号中编码的潜在情绪的重要性考虑在内，对这些方法进行了实验评估。
图像分割的衡量指标详解
热门推荐
qq_37274615的博客
01-03 5万+
转载自：http://m.blog.csdn.net/u011771047/article/details/72777349                 http://blog.csdn.net/u014593748/article/details/71698246?fps=1&locationNum=5补充说明： 图像分割（Semantic Segmentation）       图...
准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 3万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
查准率、准确度、查全率、召回率
10-03
查准率（Precision）是指在检索到的结果中，与查询相关的文档的比例。它衡量了系统返回的结果中有多少是正确的。 准确度（Accuracy）是指在所有的分类结果中，分类正确的比例。它衡量了系统对于所有类别的分类能力...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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