“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”

halo0416

已于 2024-06-05 09:07:49 修改

阅读量1.1w

点赞数 24

文章标签：机器学习人工智能算法

于 2023-11-06 21:12:44 首次发布

本文链接：https://blog.csdn.net/m0_74053536/article/details/134235759

版权

引言

机器学习的核心目标之一是构建出具有良好性能的模型。为了评估模型的性能，我们依赖于一系列重要的指标。在本文中，我们将深入探讨这些指标，包括True Positive（TP）、True Negative（TN）、False Positive（FP）、False Negative（FN）、精确率、召回率、准确率、F1-score以及目标检测领域中常用的均值平均精度（mAP）。

分类标准

示例：癌症检测

假设我们正在开发一个癌症检测模型，我们有12个患者样本，其中4个是患有癌症的正例，8个是健康的负例。

# 模型预测结果
predicted = [0, 0, 1, 0, 1, 1, 0, 0, 1, 0, 0, 0]
# 实际标签
actual =    [0, 0, 1, 0, 1, 0, 0, 1, 1, 0, 0, 0]

	预测值=1	预测值=0
真实值=1	3（TP）	1（FP）
真实值=0	1（TN）	7（FN）

TP = 3（实际患病并被正确预测出来的数量）
FP = 1（实际健康但被错误预测为患病的数量）
TN = 1（实际患病但被错误预测为健康的数量）
FN = 7࿰

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

halo0416

关注关注

24
点赞
踩
22

收藏

觉得还不错? 一键收藏
9
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【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

9103

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

【人工智能机器学习基础篇】——深入详解监督学习之模型评估：掌握评估指标（准确率、精确率、召回率、F1分数等）和交叉验证技术

编程技术探索者，分享C/C++、C#、Java、数据库等开发经验，聚焦实战技巧与AI兴趣，助力编程爱好者成长。

12-30

1461

【人工智能机器学习基础篇】——深入详解监督学习之模型评估：掌握评估指标（准确率、精确率、召回率、F1分数等）和交叉验证技术

9 条评论您还未登录，请先登录后发表或查看评论

FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍

qq_64431512的博客

05-30

6997

FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍

【目标检测基础】TP/FP/TN/FN与目标检测的关系

最新发布

weixin_64678498的博客

03-19

434

在目标检测任务中，模型性能的评估直接影响算法优化方向。了解TP/FP/TN/FN四大基础指标，是掌握。、mAP（平均精度均值）等高级指标的前提。：使用更高分辨率的特征图（如YOLOv3的3尺度检测）：使用多尺度特征融合网络（如FPN）增强小目标检测。：IoU=0.5（PASCAL VOC标准）：IoU=0.75（COCO数据集部分任务）：通过NMS（非极大值抑制）减少重复检测。🔍 诊断模型问题（如过拟合、欠拟合）：通常忽略（因背景区域无限多）：降低分类阈值，增加候选框数量。：小目标检测中FN过高。

机器学习性能评估指标（精确率、召回率、ROC、AUC）

JL25的专栏

08-08

4万+

转自：http://charlesx.top/2016/03/Model-Performance/ 实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是对的。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是

TP，TN，FP，FN

weixin_33971977的博客

01-03

325

一张图搞定~~~ 【转】https://blog.csdn.net/u011956147/article/details/78967145 转载于:https://www.cnblogs.com/TreeDream/p/10214427.html

通俗理解TP、FP、TN、FN

胭脂草的ABC博客

03-06

1880

虽然学了很多遍，但还是经常弄混这几个概念。实在是太绕了，真真假假，假假真真。归根到底，其实是没有正确理解两个标志位的含义。

【机器学习】【深入浅出】混淆矩阵全解析：搞懂 TP、FP、TN、FN 与分类模型评估

weixin_41645791的博客

02-21

2457

本文以通俗易懂、幽默风趣的方式详细解析了混淆矩阵的定义、计算方法和实际作用。从二分类的四个核心指标——真正例（TP）、假阳性（FP）、真负例（TN）、假阴性（FN）出发，本文讲解了如何利用混淆矩阵评估模型性能，并进一步衍生出准确率、精确率、召回率和 F1-score 等关键指标。文章还通过医疗诊断等案例，展示了混淆矩阵如何帮助我们区分漏诊与误诊，并给出记忆技巧，助你快速掌握 TFPN 概念。喜欢本文的朋友请点赞、收藏、转发和关注我的博客，共同探索数据科学的魅力！

【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

1万+

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

机器学习和深度学习分类问题的几个指标:准确率、精准率、召回率、F1-score、Macro-F1、Micro-F1

奥古斯都

03-01

4825

目录 1、Accuracy——准确率 2、Precision——精准率 3、Recall——召回率 4、进一步探索召回率和准确率 5、F1-Score 6、Micro-F1和Macro-F1 在说这个几个指标之前有一个非常重要的东西叫做混淆矩阵：我们把上述提到的这个表格称作为混淆矩阵，那么一般使用混淆矩阵干嘛呢？计算召回率、计算准确率、计算精准率。接下来分别介绍这三个指标。 TP：实际是正样本预测也是正样本；TN：预测是负样本实际也是负样本；FN：实际上是正要根本预测为负样本；FP.

模型评估的艺术：准确率、召回率与F1分数的深入解析

11-09

在机器学习和数据分析领域，准确率、召回率和F1分数是评估分类模型性能的重要指标。它们从不同的角度反映了模型的预测能力，帮助我们全面理解模型的优缺点。在实际应用中，我们应根据具体问题的需求和数据的特点，...

机器学习性能指标

sheriMMM的博客

05-14

471

该篇内容主要总结如下博客链接【机器学习笔记】：一文让你彻底理解准确率，精准率，召回率，真正率，假正率，ROC/AUC - 知乎 [白话解析] 通过实例来梳理概念：准确率 (Accuracy)、精准率(Precision)、召回率(Recall)和F值(F-Measure) - 罗西的思考 - 博客园 1. 理解混淆矩阵混淆矩阵中有着Positive、Negative、True、False的概念，其意义如下：预测类别为1的为Positive（阳性），预测类别为0的为Neg...

一文记住什么是TP/TN/FP/FN？

Joy T的博客

10-25

8987

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。

TP, TN, FP FN

skyfengye的博客

04-23

7921

表示分类正确：True Positive(TP)：本来是正样例，分类成正样例。True Negative(TN)：本来是负样例，分类成负样例。表示分类错误：False Positive (FP)：本来是负样例，分类成正样例，通常叫误报。False Negative(FN)：本来是正样例，分类成负样例，通常叫漏报。 score值即各个样本属于正例的概率 Dice Similarity Co...

机器学习——性能评估指标

JoJo's blog

03-03

2261

性能评估指标1. 分类算法的性能评估指标1.1 精确率与召回率1.2 F1-score1.3 AUC与ROC1.3.1 ROC曲线1.3.2 AUC值1.3.3 为什么使用ROC和AUC2. 回归算法的性能评估指标2.1 平均绝对误差（MAE）2.2 平均平方误差（MSE）2.3 均方根误差（RMSE）2.4 决定系数（R2 score）2.5 交叉验证（cross-validation）机器学...

TP、TN、FP、FN超级详细解析

热门推荐

奋斗の博客

11-21

10万+

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

机器学习笔记——性能指标

Line2333的博客

03-23

382

为了能够合理地评价机器学习模型的性能，我们需要一系列的性能指标，用来对模型进行评估。首先，性能指标因为预测值种类的不同而不同。一、单随机变量随机变量我们通常采用两种指标进行评估。第一种是均方根误差（root mean square error，RMSE）。形式上均方根误差比较接近于标准差，在正太分布中，我们知道标准差可以用于描述变量相对于均值的分布情况。同样均方根误...

[机器学习]机器学习性能评价指标

weixin_40479663的博客

10-29

1493

回归: 1.平均绝对误差MAE(Mean Absloute Error)又被称作l1范数损失(l1-norm loss): MAE(y,y^)=1nsamples∑i=1nsamples∣yi−y^i∣{\rm MAE}(y, \hat{y})=\frac{1}{n_{\rm samples}}\sum\limits_{i=1}^{n_{\rm samples}}|y_i-\hat{y}_i|M...

pytorch 计算tp fp fn tn

04-06

PyTorch本身不提供计算TP、FP、FN、TN的函数，但可以使用numpy或其他库进行计算。下面给出一个使用numpy计算TP、FP、FN、TN的示例代码： ```python import numpy as np # y_pred为预测结果，y_true为真实结果，threshold为分类阈值 def calculate_confusion_matrix(y_pred, y_true, threshold=0.5): y_pred = np.where(y_pred > threshold, 1, 0) # 根据阈值将预测结果转为0或1 tp = ((y_pred == 1) & (y_true == 1)).sum() # 计算TP fp = ((y_pred == 1) & (y_true == 0)).sum() # 计算FP fn = ((y_pred == 0) & (y_true == 1)).sum() # 计算FN tn = ((y_pred == 0) & (y_true == 0)).sum() # 计算TN return tp, fp, fn, tn ``` 其中，y_pred和y_true都是numpy数组，分别表示模型的预测结果和真实结果。threshold是分类阈值，可以根据需要调整。函数返回TP、FP、FN、TN四个值。使用时，可以将预测结果和真实结果转为numpy数组后传入该函数，如下所示： ```python import torch # 创建一个大小为(2, 3)的模型输出结果Tensor y_pred = torch.tensor([[0.2, 0.5, 0.8], [0.1, 0.4, 0.9]]) # 创建一个大小为(2, 3)的真实结果Tensor y_true = torch.tensor([[0, 1, 1], [1, 0, 1]]) # 将Tensor转为numpy数组，并调用calculate_confusion_matrix函数计算混淆矩阵 tp, fp, fn, tn = calculate_confusion_matrix(y_pred.numpy(), y_true.numpy()) print("TP: {}, FP: {}, FN: {}, TN: {}".format(tp, fp, fn, tn)) ``` 输出结果为： ``` TP: 3, FP: 1, FN: 1, TN: 5 ``` 说明模型预测了3个正例，但其中有1个是错误的；有1个正例没有被预测出来；有5个负例被正确预测。