pytorch笔记（六）accuracy、precision、recall、F1

最新推荐文章于 2024-07-30 10:44:16 发布
最新推荐文章于 2024-07-30 10:44:16 发布
阅读量2.2k 收藏 2
点赞数 1
分类专栏： pytorch 回顾笔记 文章标签： pytorch python 神经网络
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/qq_19707521/article/details/120509618
版权
本文详细介绍了在PyTorch中评估模型性能的关键指标，包括准确率、精确率、召回率和F1分数的概念、定义及计算公式，并探讨了ROC曲线和AUC在分类器评估中的作用。通过理解这些概念，有助于优化神经网络模型的性能。
摘要由CSDN通过智能技术生成

概念：

  • 准确率(accuracy) 
  • 精确率(precision)
  • 召回率(recall)
  • 精确率与召回率的调和均值(F1)

定义：

  • True Positive(真正, TP)：将正类预测为正类数.
  • True Negative(真负 , TN)：将负类预测为负类数.
  • False Positive(假正, FP)：将负类预测为正类数 - 误报 (Type I error).
  • False Negative(假负 , FN)：将正类预测为负类数 - 漏报 (Type II error).

公式：

  • accuracy = (TP+TN) / (TP+FN+FP+TN) 
  • precision = TP / (TP+FP)
  • recall = TP / (TP+FN)
  • F1 =  2TP / (2TP + FP + FN)
  • 2 /
了解本专栏 订阅专栏 解锁全文 超级会员免费看
_yuki_
关注
专栏目录
订阅专栏
pytorch预测结果的精度、召回率、F1值、准确率计算（简单实现）
计算机视觉的学习日常
11-22 1万+
1. 导入必要的库函数 import os import json import torch from PIL import Image from torchvision import transforms # 导入自己的模型 from model_v3 import mobilenet_v3_small 2. 文件存储格式 imgs文件下下是需要预测的图像 label.txt为每幅图对应的标签 ### 这个无所谓，能正常读取就行 3. 标签读取辅助函数 targets_path =.
pytorch accuracy和Loss 的计算
weixin_51396863的博客
05-07 1万+
最近学习代码时发现当自己去实现代码的时候对于样本的Loss和accuracy的计算很不理解，看别人的代码也是靠猜测，所以自己去官方文档学习加上自己做了个小实验以及搜索了别人的博客，总是算明白了怎么回事，所以打算写下来记录（纯粹记录，无参考意义） accuracy 计算 关于accuracy的计算：acc=正确个数 / 样本总数我们知道，经过模型的输出的最后的一个结果是通过一个softmax算法的出来的，也就是说，输出的给过给出了这个模型对于每个类别的概率预测（且所有概率相加等于1），概率最大的类别也就是.
机器学习 | 评估原理——准确率、精确率、召回率、F1值
最新发布
ttrr27的博客
07-30 1692
Hi，大家好，我是半亩花海。接着上次的模型评估与交叉验证继续更新《白话机器学习的数学》这本书的学习笔记，在此分享精确率、召回率、F1值相关评估原理。本章的基于已建立的模型进行评估知识的学习，欢迎大家交流学习！
推荐系统评价指标
qq_38124658的博客
08-04 317
混淆矩阵 True Positive(真正, TP)：将正类预测为正类数. True Negative(真负 , TN)：将负类预测为负类数. False Positive(假正, FP)：将负类预测为正类数. →→ 误报 (Type I error). False Negative(假负 , FN)：将正类预测为负类数. →→ 漏报 (Type II error). 1. 精确率(precision) 定义如下： P=TPTP+FP P=\frac{T P}{T P+F P} P=TP+FPTP​ T
Pytorch 计算分类器准确率（总分类及子分类）
热门推荐
Smile
01-13 2万+
分类器平均准确率计算： correct = torch.zeros(1).squeeze().cuda() total = torch.zeros(1).squeeze().cuda() for i, (images, labels) in enumerate(train_loader): images = Variable(images.cuda()) ...
pytorch求多分类的准确率
weixin_38241876的博客
05-27 8218
accracy = np.mean((torch.argmax(out,1)==torch.argmax(y,1)).numpy())
评估计算recall、precision、AP、F1、mAP（PyTorch-YOLOv3代码解析二）
YMilton的专栏
04-13 6568
目标检测评估计算（Python+Pytorch） 代码github地址：https://github.com/eriklindernoren/PyTorch-YOLOv3 1. 检测的评估函数 # reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.py def ap_per_class(tp, conf, pre
Pytorch图像分类实战笔记Task01-Task07|Datawhale组队学习
weixin_45480097的博客
01-17 861
将数据集统一命名为数字-->获得文件名列表full_dataset-->打乱列表random_dataset-->set train_rate = 0.8,train_dataset = random_dataset[:int(full_dataset)*0.8],test_dataset =random_dataset[int(full_dataset)*0.8:] -->移动文件。文件：gif格式的、非三通道图片（三通道图可以是彩色图，可以是灰度模式的图像。第一步，导入所需要的库。
机器学习：线性模型学习总结（3）：基于PyTorch的线性模型
Morganfs的博客
04-20 2122
基于周志华老师的《机器学习》、上一篇学习笔记以及网络的其他资料，对线性模型的这一部分内容进行一个总结。上接：机器学习：线性模型学习总结（2）。 学习时间：2022.04.19~2022.04.20 文章目录1. 数据预处理2. PyTorch线性回归3. PyTorch线性分类4. 回归评价5. 分类评价6. 完整过程6.1 线性回归预测6.2 逻辑回归分类 1. 数据预处理 和用Sk-Learn一样，也用来一个专门处理表格数据的函数，不过主要还是使用之前的流程： # 数据预处理 df_.
【NLP】使用 BERT 和 PyTorch Lightning 进行多标签文本分类
sikh_0529的博客
11-19 3960
了解如何为多标签文本分类（标记）准备带有恶意评论的数据集。我们将使用 PyTorch Lightning 微调 BERT 并评估模型。多标签文本分类（或标记文本）是您在执行 NLP 时会遇到的最常见任务之一。现代基于 Transformer 的模型（如 BERT）利用对大量文本数据的预训练，可以更快地进行微调，使用更少的资源并且在较小的（更）数据集上更准确。我们的模型对有害文本检测有用吗？数据我们的数据集包含潜在的攻击性（有毒）评论，来自。我们有文字（评论）和六种不同的毒性标签。
Pytorch中accuracy和loss的计算知识点总结
12-26
这几天关于accuracy和loss的计算有一些疑惑，原来是自己还没有弄清楚。 给出实例 def train(train_loader, model, criteon, optimizer, epoch): train_loss = 0 train_acc = 0 num_correct= 0 for step, (x,y) in enumerate(train_loader): # x: [b, 3, 224, 224], y: [b] x, y = x.to(device), y.to(device) model.train() logit
Pytorch 计算误判率,计算准确率,计算召回率的例子
09-18
今天小编就为大家分享一篇Pytorch 计算误判率,计算准确率,计算召回率的例子，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
基于pytorch的FCN网络简单实现
haohulala的博客
07-29 1万+
参考知乎专栏实现FCN网络https://zhuanlan.zhihu.com/p/32506912 import torch from torch import nn import torch.nn.functional as f import torchvision import torchvision.transforms as tfs from torch.utils.data import DataLoader from torch.autograd import Variable import
输出每一类的准确率 pytorch
qq_17792451的博客
10-19 4001
输出每一类的准确率 # prepare to count predictions for each class correct_pred = {classname: 0 for classname in classes} total_pred = {classname: 0 for classname in classes} # again no gradients needed with torch.no_grad(): for data in testloader: image
201025-Neptune中记录PyTorchLightning中的Accuracy
专注机器学习之路
10-26 1146
没有Logger的代码 ⚠️ forward要return模型的output ⚠️traning_step要return模型的loss 否则虽然code可以正常运行，但是logger没法正确记录 一下记录四种记录acc的方式：accm1, accm2, accm4 以及accsm3 # PyTorch Lightning 1.x + Neptune [Basic Example] # Before you start # Install dependencies # Step 1: I..
深度学习准确率计算accuracy=torch.eq(y_predict,y_truth.squeeze(dim=-1)).float().mean()
weixin_45809449的博客
03-30 7199
准确率计算之accuracy=torch.eq(y_predict,y_truth.squeeze(dim=-1)).float().mean()
pytorch实战：详解查准率（Precision）、查全率（Recall）与F1
forGemini的博客
11-24 1万+
pytorch实战：详解查准率（Precision）、查全率（Recall）与F1 1、概述 本文首先介绍了机器学习分类问题的性能指标查准率（Precision）、查全率（Recall）与F1度量，阐述了多分类问题中的混淆矩阵及各项性能指标的计算方法，然后介绍了PyTorch中scatter函数的使用方法，借助该函数实现了对Precision、Recall、F1及正确率的计算，并对实现过程进行了解释。 观前提示：阅读本文需要你对机器学习与PyTorch框架具有一定的了解。 Tips：如果你只是想利用PyTo
accuracy、recall、precision、F1和auc
04-28
这是关于机器学习中的性能指标的问题。这些指标用于评估分类器的性能。 - Accuracy（准确率）是分类器正确分类的样本数占总样本数的比例。即：准确率=正确分类的样本数/总样本数。 - Recall（召回率）是指实际为正例的样本中被分类器正确识别为正例的样本数占实际为正例的样本总数的比例。即：召回率=被正确识别为正例的样本数/实际为正例的样本总数。 - Precision（精确率）是指分类器正确识别为正例的样本数占分类器识别为正例的样本总数的比例。即：精确率=被正确识别为正例的样本数/分类器识别为正例的样本总数。 - F1 Score（F1得分）是Precision和Recall的调和平均值。即：F1得分=2*(精确率*召回率)/(精确率+召回率)。 - AUC（Area Under Curve，曲线下面积）是指分类器绘制的ROC曲线下面积的大小，用于评估二分类问题的分类器性能。
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

打赏作者

_yuki_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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