图像识别中的P-R曲线是如何产生的-Effective DeepLearning

最新推荐文章于 2024-09-05 12:40:52 发布
最新推荐文章于 2024-09-05 12:40:52 发布
阅读量1.3k 收藏 2
点赞数 1
分类专栏： AI
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/lzcong1986/article/details/86592649
版权

在做图像分类和标注的模型的时候，发现大家对其中一个评价指标P-R曲线图的生成比较疑惑，这里就想跟大家探讨一下我自己的理解。

做过图像分类和图像标注的小伙伴都会晓得下面两个图

一，这个是描述一个分类的P准确率（简单理解就是模型出这个结果会有多少的概率是可以相信这个结果的）和R召回率（就是你放一个这个分类进去模型做预测它出来的结果有多少概率是可以相信的）的计算方式，还有就是F1-scroe的计算方式（也有小伙伴说这只是二分类的计算方式，但是即使你的模型有几千分类，其中一个分类的这些指标，相对于其他分类之间他们也是形成了一个类似二分类的情况）

二，然后很多的书籍或者文章就立刻会介绍，在模型训练完成后从上面的P和R就可以得到下面的P-R曲线图。这使得很多刚刚接触的小伙伴（当然包括我/(ㄒoㄒ)/~~）很是疑惑为什么上面只是一个值，在图片里面顶多是一个点，怎么能得到下面的曲线呢（这个图只是拿来做例子，具体的数据不一定准确。例如当R为0，P应该也为0因为图一中的A已经为0了，现在大量的文章都是这样导致新手们看得痛苦，然后就死在起跑线上了）

就拿上面这个曲线图为例子（虽然不太准确）。x轴R召回率有0，0.2，0.4......1.0。这里就是图一说的A/

最低0.47元/天 解锁文章
耳总21
关注
专栏目录
每天五分钟机器学习：通过查准率和召回率绘制P-R曲线
huanfeng_AI的博客
10-28 1018
之前的一篇文章中，我们学习了查准率和召回率。根据查准率和召回率可以绘制P-R曲线。
图像检索评价指标：PR曲线的计算与绘制
liupc的学习笔记
03-21 3798
# @file name : test2.py # @brief : 如何绘制PR曲线 # @author : liupc # @date : 2021/8/2 import numpy as np from tqdm import tqdm import matplotlib.pyplot as plt #计算汉明距离。有几位不同，距离就为几。 def CalcHammingDist(B1, B2): q = B2.shape[1] distH = .
如何绘制P-R曲线
weixin_55747326的博客
11-04 885
PR曲线中P指Precision表示查准率，R指Recall表示查全率或者是召回率。FP指的是被错误标记成正样本的负样本数。FN表示被错误标记成负样本的正样本数。其中TP表示正确分类的正样本数。TN指的是正确分类的负样本数。
【机器学习】P-R（Precision-Recall Curve）曲线和ROC（Receiver Operating Characteristic）曲线的基本概念和区别
ya的博客
08-24 912
P-R曲线是一个强大的工具，可以帮助研究者和工程师理解和优化分类模型的性能，尤其是在处理那些正类样本相对较少的数据集时TPRTPTPFNTPRTPFNTP​表示正确识别的正类样本占所有实际正类样本的比例P-R曲线：它显示了精确率（Precision）和召回率（Recall）之间的关系。精确率是正确预测为正类的样本占所有预测为正类样本的比例，而召回率是正确预测为正类的样本占所有实际为正类样本的比例ROC曲线。
[1] YOLO 图像检测 及训练
weixin_33717298的博客
01-05 416
YOLO（You only look once）是流行的目标检测模型之一, 原版 Darknet 使用纯 C 编写，不需要安装额外的依赖包，直接编译即可。 CPU环境搭建 (ubuntu 18.04) 1.获取图像检测训练模型 git clone https://github.com/pjreddie/darknet 下载好的darknet程序包如下图所示： 2.编译 ...
P-R曲线是什么
pythondby的博客
12-12 5015
在分类时，我们经常需要对学习模型的预测结果进行排序，排在前面的被认为“最可能”是正类样本，排在后面的被认为“最不可能”是正类样本。因此我们往往要在中间设定一个临界值（Threshold），当预测值大于这个临界值时，样本为正类样本，反之为负类样本。 按不同的临界值，将每个样本作为正类样本来预测，就会得到不同的查准率和查全率。如果以查准率为纵轴，以查全率为横轴，那么每设定一个临界值，就可以在坐标系上画出一个点。当设定多个临界值时，就可以在坐标系中画出一条曲线。这条曲线便是 P-R 曲线，如图 1 所示。
【Nature medicine】Integrated image-based deep learning and language models for primary diabetes care
最新发布
Edward的博客
09-05 936
由于训练有素的初级保健医生（PCP）短缺，尤其是在资源匮乏的环境中，初级糖尿病护理和糖尿病视网膜病变（DR）筛查仍然是主要的公共卫生挑战。在此，为了弥合这一差距，我们开发了一个集成图像和语言的系统（DeepDR-LLM），结合了大型语言模型（LLM模块）和基于图像的深度学习（DeepDR-Transformer），为PCP提供个性化的糖尿病管理建议。在回顾性评估中，LLM模块在英语测试中表现出与PCP和内分泌科住院医师相当的表现，并且在中文测试中表现优于PCP，且与内分泌科住院医师表现相当。
Target-driven Visual Navigation in Indoor Scenes using Deep Reinforcement Learning学习笔记
jing_jing95的博客
03-05 1756
Abstract Two less addressed issues of deep reinforcement learning are (1) lack of generalization capability to new target goals, and (2) data inefficiency i.e., the model requires several (and often ...
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 5055
文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D形状分类3.1基于多视角的方法3.2基于体素的方法3.3 基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5
CVPR 2020 论文大盘点-图像增强与图像恢复篇
我爱计算机视觉
06-30 8787
本文继上一篇CVPR 2020 论文大盘点-去雨去雾去模糊篇之后，继续盘点CVPR 2020 中低层图像处理技术，本篇聚焦于图像视频的增强与恢复，含如下四个方向：图像与视频增强（Im...
python识别图中曲线数值_pytorch绘制并显示loss曲线和acc曲线，LeNet5识别图像准确率...
weixin_39583222的博客
12-04 690
我用的是Anaconda3 ，用spyder编写pytorch的代码，在Anaconda3中新建了一个pytorch的虚拟环境(虚拟环境的名字就叫pytorch)。以下内容仅供参考哦~~1.首先打开Anaconda Prompt，然后输入activate pytorch，进入pytorch.2.输入pip install tensorboardX，安装完成后，输入python，用from tens...
pytorch绘制并显示loss曲线和acc曲线，LeNet5识别图像准确率
12-23
我用的是Anaconda3 ，用spyder编写pytorch的代码，在Anaconda3中新建了一个pytorch的虚拟环境（虚拟环境的名字就叫pytorch)。 以下内容仅供参考哦~~ 1.首先打开Anaconda Prompt，然后输入activate pytorch，进入pytorch. 2.输入pip install tensorboardX，安装完成后，输入python，用from tensorboardX import SummaryWriter检验是否安装成功。如下图所示： 3.安装完成之后，先给大家看一下我的文件夹，如下图： 假设用LeNet5框架识别图像的准确率，LeN
图像检测经典的评估方式——PR曲线，ROC曲线
Zhenqiang Ying's CSDN Blog
08-01 1万+
Keywords: PR curve, ROC curve, Machine Learning, image processing 为了帮助大家理解，比如我们需要检测一个图像中的人，分类器将图像上的每个像素划分为人和非人像素，目标是人，所以检测为人的像素用Positives表示，检测为非人的像素用Negatives来表示，检测到了需要报告，检测到不是需要拒绝，检测到了实际不是则为误报（错误地报告）或
机器学习 | 模型评估方法（P-R曲线和ROC曲线）
m0_65437885的博客
10-23 4810
机器学习模型的性能评估是至关重要的一部分。在分类问题中，我们通常希望了解模型的预测能力，也就是评估该模型对正类别和负类别的分类结果。PR曲线和ROC曲线是用于评估二分类模型性能的常用工具，通过在不同阈值下的精确度、召回率和真正率、假正率之间的权衡，评估模型的性能。
机器学习——模型评估与P-R曲线
diosamaehjs的博客
10-23 369
在机器学习中，通常有多种学习算法可选择。而选择哪一个算法、使用哪一种参数配置就是机器学习中的模型选择问题。模型选择本质上是选择出泛化误差小的模型而泛化误差需要用到一系列的实验评估方法获得某种性能度量指标。性能度量是机器学习中非常重要的概念之一。这是因为性能度量本质是衡量模型泛化能力好坏的标准，反映了任务需求。
分类任务评估2——推导ROC曲线、P-R曲线和K-S曲线
LMTX069的博客
06-30 1656
本文推导只借助2个最基础的工具包，不使用任何sklearn的模块
机器学习——P-R曲线的绘制
m0_59706452的博客
11-06 2537
PR曲线
【机器学习】分类性能度量指标 : ROC曲线、AUC值、正确率、召回率、敏感度、特异度
热门推荐
自由 平等~忠诚 奉献
01-19 7万+
本文转自 http://zhwhong.ml/2017/04/14/ROC-AUC-Precision-Recall-analysis/ 在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix)的工具，它可以帮助人们更
ROC曲线、P-R曲线以及mAP
Mr_health的博客
07-20 3216
P-R曲线 P-R曲线，全称时precision-recall，纵轴为查准率（precision），横轴为查全率（recall）。 查准率的计算公式如下，表示所有预测为正例的数据中，真正例所占的比例，公式如下：。 查全率是指预测为真正例的数据占所有正例数据的比： 查准率和查全率是一对矛盾的度量，一般来说，precision高时，recall往往偏低，recall高时，precision往往偏低。 可以这么理解，我们通过降低阈值thresh，可以有效增加TP，进而提升recall值，但是同时
Effective Objective-C 2.0：移动应用开发指南
"Effective Objective-C 2.0 PDF" 是一本由 Matt Galloway 编写的专注于提升Objective-C编程技能的书籍，属于"Effective Software Development"丛书中的一本。本书由Addison Wesley Educational Publishers Inc在...
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