一个实例说明Tp，Fp，Fn，Tn，mAP

最新推荐文章于 2024-05-30 14:21:38 发布
最新推荐文章于 2024-05-30 14:21:38 发布
阅读量6.8k 收藏 5
点赞数
分类专栏： ImgRetri 文章标签： 图像检索 预测 ROC PR曲线
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/dongfang1984/article/details/62436684
版权

由于最近在作图像检索。那么就有一个评价指标的问题。在网上一搜，尼玛，跟念经的一样。晦涩难懂。
这里，用一个实例说明。

1、背景

假设现在医院有医生给人测血糖，共100人。为了方便，我们分两类人，不正常（N），正常（P）。
groundtruth： 不正常（30），正常 （70）。
doctor predict： 不正常（40），正常（60）。

实际山，和这个预测的高血糖中真正高的，有24人。那16人不高。
预测正常的人真正正常的有54人，那6个人高血糖。

True Positive：我们把这个词分成两部分，true。说明医生测对了。Positive，说明测试结果是正常。
其余的类似。这两个词都是针对预测结果而言的。

2、建模

现在我们做混淆矩阵（Confusion Matrix）

、 groundtruth=Positive groundtruth=Negative
predict=Positive True Positive
最低0.47元/天 解锁文章
_小马奔腾
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
图像分割质量得分：让您评估图像分割质量得分，例如TP，FP，TN，FN，准确度，灵敏度，精度，MCC，骰子，Jaccard-matlab开发
05-28
图像分割质量得分让您评估图像分割质量得分，例如TP，FP，TN，FN，准确度，灵敏度，精度，MCC，Dice，Jaccard =============================================== Dang NH Thanh版权所有2019。 电子邮件：thanh.dnh....
TP、TN、FP、FN超级详细解析
热门推荐
奋斗の博客
11-21 9万+
以西瓜数据集为例，我们来详细解释一下什么是TP、TN、FP以及FN。 一、基础概念 TP：被模型预测为正类的正样本 TN：被模型预测为负类的负样本 FP：被模型预测为正类的负样本 FN：被模型预测为负类的正样本 二、通俗理解（以西瓜数据集为例） 以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。 TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜） TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜） FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是
一文记住什么是TP/TN/FP/FN？
qq_65052774的博客
10-25 4928
这些工具和指标提供了评估和比较不同模型性能的方法，帮助研究者和工程师确定哪个模型在特定任务上的性能最好。而在实践中，根据应用的具体需求，可能需要关注某些指标多于其他指标。例如，医学测试中的 FN 可能比 FP 更为关键，因为遗漏一个病例的后果可能比误诊更严重。
FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍
最新发布
qq_64431512的博客
05-30 2036
FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍
TP、TN、FP、FN白话解析，看这一篇就够了
Java_Web_Android的博客
11-27 4507
TP、TN、FP、FN通俗易懂 白话理解
TP、FN、FP、TN、准确率、召回率、F1
羊老羊
09-07 2497
助记：TP、FN、FP、TN 主讲：精确率 召回率
一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
fengmaomao1991的专栏
01-28 7845
其中，BB表示BoundingBox，GT=1表示GT与预测的BoundingBox的IoU>=IoU_th，BoundingBox序号相同代表所对应的GT是同一个。但在工程应用中，物体是否被正确检测到，还是需要具体的confidence_th和IoU_th，工程上更关心在固定的confidence_th和IoU_th下的准确率。注意，FN是从Ground Truth中取，就是如果有n个类似这种的confidence
jbpm的一个实例
04-08
JBPM是一个扩展性很强的工作流系统，百分百用JAVA语言开发，持久层采用Hibernate实现，理论上说，只要Hibernate支持的数据库JBPM都支持。同时它还能被部署在任何一款JAVA应用服务器上 JBPM的工程文件，大家可以到...
一个jms activemq Topic 消息实例
07-30
一个jms activemq Topic 消息实例 关于jms JMS 是接口，相当于jdbc ，要真正使用它需要某些厂商进行实现 ，即jms provider 常见的jms provider 有 ActiveMQ JBoss 社区所研发的 HornetQ (在jboss6 中默认即可以...
198个经典C#WinForm实例源码 超赞的完整版
07-14
"198个经典C#WinForm实例源码"包括： 1-窗体技巧 2-控件操作 3-图像操作 4-报表打印 5-系统操作 6-文件处理 7-网络操作 8-数据库操作 9-加密解密 10-硬件读写 11-游戏设计 "超赞的198个经典C#WinForm实例源码.zip " ...
单片机20个实例超详细图文教程
11-09
非常有用，值得收藏 单片机20个实例超详细图文教程
TP、TN、FP、FN 含义
weixin_40237209的博客
06-30 8117
什么是TP、TN、FP以及FN
通俗理解TP、FP、TN、FN
GXQ的博客
11-27 1474
Recall表征的是预测正确的正样本的覆盖率，查全率等于预测正确的正样本数量/所有正样本的总和，TP+FN实际就是Ground Truth的数量。Precision表征的是预测正确的正样本的准确度，查准率等于预测正确的正样本数量/所有预测为正样本数量。TN：True Negative，分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量。FP+TN：真实负样本的总和，负样本被误识别为正样本数量+正确分类的负样本数量。TP+TN：正确分类的样本总和，正确分类的正样本数量+正确分类的负样本数量。
机器学习中TP，TN，FP，FN，Acc，Pre，Sen, Rec的含义
tangxianyu的博客
10-09 2万+
1、 TP，TN，FP，FN的理解 定义 第一个字母T/F代表预测的结果是否和实际情况相符：即如果真实情况为正样本（P），预测为正样本（P），则为T；如果真实情况为负样本（N），预测为负样本（N），则为T；如果真实情况为P，预测为N，则为F；如果真实情况为N预测为P，则为F。 第二个字母P/N代表预测结果的正负：如果预测为正样本，则为P；如果预测为负样本，则为N。 TP：true posi...
【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率
钱多多先森
06-08 7311
对基于固定阈值的混淆矩阵进行了详尽的介绍和代码展示，包括依次引申出来的各个评价指标
目标检测常用评估指标
weixin_45837200的博客
11-14 717
正样本即，比如缺陷检测中的麻点、划痕、破洞等；负样本即，背景不包含麻点、划痕、破洞等。
“深入理解机器学习性能评估指标：TP、TN、FP、FN、精确率、召回率、准确率、F1-score和mAP”
halo的博客
11-06 4806
通俗来说，准确率回答了“模型总的预测有多准”的问题；召回率回答了“模型对正例的识别能力有多强”的问题；mAP则是用于复杂任务的一个更为全面的评估指标；而F1-score则是尝试将精确率和召回率结合起来，给我们一个更为综合的评估结果。这些指标可以帮助我们更全面地了解模型的性能，从而选择或优化模型。TP：模型说“这个人有病”，实际上这个人也真的有病。TN：模型说“这个人没病”，实际上这个人也确实没病。FP：模型误诊了健康人为病人。FN：模型漏诊了真正的病人。精确率：模型说“有病”的人中，真正有病的比例。
基础概念——TP、FP、TN、FN、IOU、PR、AP、Interpolated AP、AUC、mAP
jindaxiaoooo的博客
03-11 5994
TP、FP、TN、FN 都是站在预测的立场看的： TP：预测为正是正确的 FP：预测为正是错误的 TN：预测为负是正确的 FN：预测为负是错误的 准确率(accuracy),精确率(Precision)和召回率(Recall) 准确度：分类器正确分类的样本数与总样本数之比 （TP+TN）/ (TP+TN+FP+FN) 精确度：所有被预测为正样本的样本中预测对的比例 (TP) / (TP+NP) 召回率：被正确预测的正样本占所有正样本的比例 （TP）/ (TP+FN) ...
【一文看懂】深度学习中常用的各项评价指标含义TP、FP、TN、FN、Accuracy、Recall、F1、IoU、mIoU
qq_27816785的博客
06-26 8902
无论是对于图像领域的分类、分割问题，亦或点云领域的物体分类、场景分割，在评价一个模型的好坏时，经常涉及TP、FP、TN、FN、IoU、Accuracy。。。等指标进行衡量，那么这些指标是什么意思呢？我请到了鸭子先生、猴子客人和熊猫管家来给大家亲身示范一下。咦！发现10个可爱的小动物，可是我们不知道是什么动物，要不用深度学习分一下类吧？ 这个时候我们直接掏出训练好的，把这些小动物丢进去，一番等待之后，我们有了以下的预测结果： 很明显，模型并没有非常完美的完成任务。但是如何评价它呢？对某一来讲：T = tru
pytorch计算tp、fn、fp、tn
08-16
在使用PyTorch计算TP、FN、FP和TN时，可以利用PyTorch的支持numpy的特性来进行判断。下面是一个示例代码： ```python import torch # 假设有两个张量，一个是预测值(predict)，一个是真实标签(label) predict = torch.tensor([1, 0, 1, 0]) # 预测值 label = torch.tensor([1, 1, 0, 0]) # 真实标签 # 计算TP、FN、FP、TN TP = ((predict == 1) & (label == 1)).sum().item() # 预测为正例且真实为正例的数量 FN = ((predict == 0) & (label == 1)).sum().item() # 预测为负例且真实为正例的数量 FP = ((predict == 1) & (label == 0)).sum().item() # 预测为正例且真实为负例的数量 TN = ((predict == 0) & (label == 0)).sum().item() # 预测为负例且真实为负例的数量 print(f"TP: {TP}, FN: {FN}, FP: {FP}, TN: {TN}") ``` 在这个示例中，我们首先创建了两个张量`predict`和`label`，分别表示预测值和真实标签。然后，我们使用逻辑运算符和`sum()`函数来计算TP、FN、FP和TN的数量。最后，我们使用`item()`方法将结果转换为标量值，并打印出来。 请注意，这只是一个示例代码，你可以根据实际情况对代码进行修改和调整。<span class="em">1</span><span class="em">2</span> #### 引用[.reference_title] - *1* [在pytorch 中计算精度、回归率、F1 score等指标的实例](https://download.csdn.net/download/weixin_38720997/14858620)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* [如何用keras/tf/pytorch实现TP/TN/FP/FN和accuracy/sensiivity/precision/specificity/f1-score等评价指标...](https://blog.csdn.net/weixin_43509263/article/details/101638713)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“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