1.Precision和Recall的理解

已于 2023-06-20 12:01:01 修改
阅读量1k 收藏 2
点赞数
文章标签： 人工智能 目标检测
于 2023-06-20 12:00:57 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/m0_71174139/article/details/131303697
版权
文章介绍了精确率、召回率和准确率的基本公式，以及它们在预测模型中的作用。TP表示预测正确的正例，FP是预测错误的正例，FN是预测错误的负例。提高置信度会增加TP，减少FP，从而提升精确率但可能降低召回率；反之，降低置信度会增加TP和FP，影响精确率与召回率的平衡。
摘要由CSDN通过智能技术生成

0.基本公式

        Arecision(精确率)计算公式： Precision=TP/(TP+FP)

        Recall(召回率)计算公式： Recall=TP/(TP+FN)

        Accuracy(准确率)计算公式： Accuracy=TP+TN/Total

1.基本概念(记三个就行)

        TP: true positive         预测正确 的正例(本是正例 预测成了正例))

        FP: false positive        预测错误 的正例(不是正例 预测成了正例)

        FN: false negative       预测错误 的负例(本是负例 预测成了正例)

小结论：

        置信度提高→TP↓，FP↓↓→precision↑，recall↓ → 提虚检，降拒真

        置信度降低→TP↑，FP↑↑→precision↓，recall↑ → 提拒真，降虚检

 2.样例

努力成为大佬的第N天
关注
Recall Precision IoU
qq_27840681的博客
03-20 933
Recall Precision IoU参考：周志华 《机器学习》http://blog.csdn.net/hysteric314/article/details/54093734 TP，FP，TN，FN Recall Precision IoU TP，FP，TN，FN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 1. 真正例（TP：true positive） ：真实情况
关于精确率（Precision）和召回率（Recall）粗浅的理解
404 Not Found
04-07 839
两个公式分子都是模型预测正确的阳性样本数，即TP，Precision是所有模型认为是阳性的样本中TP的比例，而Recall是数据集所有真阳性中TP的比例。这里简单写一下一直让我困惑的两个指标Precision和Recall的理解。
分类评估指标：准确率、精确度、召回率、F1分数、Roc详解
最新发布
m0_61688615的博客
09-18 1461
准确率：数据集正负样本平衡时可用。精确率：当误判正类样本代价较高时使用（正常邮件被误分类为垃圾邮件）。召回率：当漏判正类样本代价较高时使用（疾病检测中，不希望漏筛病例）。F1 分数：当需要在精确率和召回率之间取得平衡时使用，尤其适合样本类别不均衡的情况。
Precision和Recall
weixin_43455016的博客
08-13 593
和是评估分类模型性能的两个重要指标，它们虽然都与模型的正确性相关，但关注的角度和用途有所不同。
目标检测指标 查准率 AP 查全率 mAP Corloc
qq_20481015的博客
09-17 3141
什么是IoU 在目标检测算法中，我们经常需要评价2个矩形框之间的相似性，直观来看可以通过比较2个框的距离、重叠面积等计算得到相似性，而IoU指标恰好可以实现这样的度量。简而言之，IoU（intersection over union，交并比）是目标检测算法中用来评价2个矩形框之间相似度的指标 IoU = 两个矩形框相交的面积 / 两个矩形框相并的面积，如下图所示： 什么是TP TN FP FN TP、TN、FP、FN即true positive, true negative, false pos
理解precision 和 Recall
qq_31638535的博客
12-17 347
precision = 识别出来的真正的对的个数/ 识别出来的所有对的个数（识别出来的真正的对的个数+ 把错的识别成正的个数） recall = 识别出来的真正的对的个数/ 标记为正样本的总个数（识别出来的真正的对的个数+ 把正的识别为错的个数） ...
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 3770
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。
准确率召回率
VergiL Wang的专栏
05-18 1137
http://blog.sina.com.cn/s/blog_4b59de070100ehl7.html 最近一直在做相关推荐方面的研究与应用工作，召回率与准确率这两个概念偶尔会遇到， 知道意思，但是有时候要很清晰地向同学介绍则有点转不过弯来。 召回率和准确率是数据挖掘中预测、互联网中的搜索引擎等经常涉及的两个概念和指标。 召回率：Recall，又称“查全率”——还是查全率好记，也更能体现其...
如何理解Precision和Recall?
Kp0fS的草稿纸
10-07 619
如何理解Precision和Recall? Precision ,在预测结果中，正确预测了多少？P可以联想到pedict，预测； Recall，在真实样本中，正确预测了多少？R可以联想到real，真实； F1值，就是综合考虑了precision和recall F1 = 2*precision*recall/(precision+recall) 如何翻译这两个词？---> 准确率和召回率 <--- ...
Precision和Recall​
weixin_42035080的博客
09-22 3020
2021-09-22 Precision和Recall 首先，Precision和Recall都是评估正类的，分子都是TP。 Precision: 精确率，也称“查准率”，是基于我们的预测结果的，在我们的预测结果中，与标签相比，正确预测的记为TP，错误预测的记为FP。 Precison = TP / (TP + FP) Recall:召回率，也称“查准率”，是基于原样本中所有正类的，在我们的预测结果中，与标签相比，正确预测的记为TP，没预测出的记为FN（也称漏检，即把原样本中的正类预测为负类）。R.
Presion，Recall 通俗解释
lycorisin
08-09 1141
力争用最通俗易通的方法讲解看起来高深的概念。 查阅的很多博文，在讲述这四个概念的时候，都是开局一张图，后面全是互相抄一堆概念公式，或者是讲过去讲过来讲不到重点上，有什么意义。直接通过讲例子的方式一下就能将这些概念分辨清楚。 所有的概念都基于上面这张图，第一排表示数据集中真正有的目标，两个苹果，三条狗，四只猫。 第二排表示对应的检测结果：检测出一个苹果并且检测正确，检测出一条狗并且检测正确，检测出三只猫，有两只检测正确，有一只检测错误。 Presion：这个单词的意思是正确率，表示在所..
Precision（准确率）和Recall（召回率）介绍
weixin_42638415的博客
10-20 4万+
为什么我们需要Precision(准确率)和Recall(召回率)？ 首先我们仅仅只看loss的话，会出现什么问题。 举个例子：比如对于一个二分类的模型，我们通过训练得到最终loss仅为5%，也就是准确率达到了95%，这很明显我们认为这是一个比较优秀的模型。 但是，如果我们的训练数据，仅有3%的数据对应标签为0，也就是负样本，其余均为正样本，对应标签为1. 这样会发生什么？如果我们的网络只能输出1，无论输入是什么，都只能输出1，这...
Precision (精确率) 和 Recall (召回率)
weixin_51976215的博客
04-08 9451
Precision (精确率) 和 Recall (召回率) 是机器学习中的两个重要指标，用于评估分类模型的性能。精确率指预测为正的样本中真正为正的样本占比，召回率指真正为正的样本中被正确地预测为正的样本占比。其中，TP 表示真正为正的样本预测为正，FP 表示真正为负的样本预测为正，FN 表示真正为正的样本预测为负。通常情况下，精确率和召回率是相互矛盾的，提高精确率会降低召回率，反之亦然。
Precision&Recall
Mr_Brooks的博客
06-26 280
Precision&amp;Recall
召回率和精确率（recall and precision）
Rookie1012的博客
03-02 2828
#记性不好写博客以记之 召回率（recall） 公式：Recall = TP /TP+FN 定义：所有的正样本中，我们识别出来的比例。召回率又叫查全率、击中的概率。 精准率（precision） 公式：Precision = TP /TP+FP 定义：所有识别成正样本中，有多少是真正的正样本。精准率又叫查准率、误杀率。 #关于TP、TN、FP、FN中的T、F（True、False）意为样本预测正确...
precision与Recall
lzz555517的博客
08-31 8732
precision与Recall 在机器学习中，precision与recall是常用的指标，在说这两个概念之前，首先来说下精度(Precision)与准度(Accuracy)。 Precision指精度，意味着随机误差(Random Error)小，即方差(Variance)小，描述了实际值的扰动情况。 Accuracy指准度，意味着系统误差(System Error)小，即偏差(Bias)小，描述了实际值与真实结果的偏离程度。 准确度高，意味着误差(Error)小，Error = Bias + Var
召回率（recall）和精度（precision）
热门推荐
W1995S的博客
03-21 8万+
识别精度主要是由召回率（recall）和精度（precision）表示的。通过绘制precision-recall 曲线，该曲线下方的面积越大，识别精度也就越高，反之越低。 在说明 recall 和 precision 计算公式之前需要先介绍几个数据定义。 在一个数据集检测中，会产生四类检测结果： TP、TN 、FP 、FN： T ——true 表示正确 F——false 表示错误 P—— positive 表示积极的，看成正例 N——negative 表示消极的，看成负例 我的理解：后面为预测结果，前面
precision和recall
linfy16的博客
09-22 4932
precision vs recall precision:精确率。在被判断为真的样例中，实际为真的样例比例。 P=true&amp;ThinSpace;positive/predicted&amp;ThinSpace;positiveP=true \,positive/predicted \,positiveP=truepositive/predictedpositive recall:召回率。...
metrics.precision_recall_curve设置阈值
05-18
`precision_recall_curve`函数是用于计算二分类模型的精度-召回率曲线的函数。在使用此函数时，可以通过传入一个阈值数组来设置不同的阈值，以便计算精度和召回率。 例如，可以这样使用`precision_recall_curve`函数来计算在不同阈值下的精度和召回率： ```python from sklearn.metrics import precision_recall_curve # y_true是真实标签，y_scores是预测得分 precision, recall, thresholds = precision_recall_curve(y_true, y_scores) # 打印不同阈值下的精度和召回率 for i in range(len(thresholds)): print("Threshold: {:.2f}, Precision: {:.4f}, Recall: {:.4f}".format(thresholds[i], precision[i], recall[i])) ``` 在上面的代码中，`y_true`是真实标签（通常是0或1），`y_scores`是模型预测得分。函数将返回一个元组，其中包含不同阈值下的精度、召回率和阈值本身。 对于每个阈值，可以打印出精度和召回率，以便更好地理解模型的性能。
评论 1
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