文章介绍了Top-5和Top-1准确率与错误率的概念，用于评估分类模型的性能。Top-5准确率允许预测的前五个类别中有真实类别，而Top-1准确率要求精确预测。错误率则是其反面，两者之和为1。较大的类别数量会使Top-5和Top-1的差距减小。
一、前言
在看论文里面提到Top-5和top-1错误率，看了有点懵，所以去了解了一下
二、什么是Top-5和Top-1准确率与错误率
举个例子：
我们在训练完某个分类网络后，假设我们需要分类的数量为50类，我们需要评估它的分类性能。输入测试集的每张图片，会得到它的50个类别的的概率。
Top-5准确率就是：在这张测试的图片50的类别中，取出概率最大的前五个类别，如果真实类别在这五个类别中，则预测正确，否则预测错误，再测完全部测试集。
t o p − 5 A c c u r a c y = 真实类别在预测的五个类别中的数量 所有测试集的数量 top-5 Accuracy=\frac{真实类别在预测的五个类别中的数量}{所有测试集的数量} top−5Accuracy=所有测试集的数量真实类别在预测的五个类别中的数量
同理：Top-1准确率其实就是平常我们评估预测的准确性指标
T o p − 1 A c c u r a c y = 预测正确的数量 所有测试集的数量 Top-1 Accuracy=\frac{预测正确的数量}{所有测试集的数量} Top−1Accuracy=所有测试集的数量预测正确的数量
而Top-5错误率与Top-1错误率恰好与top-5准确率和top-1准确率相反，他们的和为1
个人见解：Top-5准确率相对于Top-1是更为宽松的评估指标，显然Top-5 Accuracy >= Top-1 Accuracy
有一点就是如果对于预测的类别数多的数据集，预测的类别数越大，Top-5与Top-1更接近
1339
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
