MAP（mean average precision)平均精度均值

最新推荐文章于 2025-03-24 10:23:47 发布

schwamaths

最新推荐文章于 2025-03-24 10:23:47 发布

阅读量9.4k

点赞数 2

分类专栏： tensorflow_learning

本文链接：https://blog.csdn.net/qq_40946639/article/details/99883809

版权

tensorflow_learning 专栏收录该内容

17 篇文章

订阅专栏

precision（精确率）和recall（召回率）的计算

$TP = True\ positive$ (模型预测为正样本，实际为正样本)

$TN = Ture \ negative$ (模型预测为负样本，实际为负样本）

$FP = False\ positive$ (模型预测为正样本，实际为负样本）

$FN = False\ negative$ （模型将预测为负样本，实际为正样本)

$precision = \frac{TP}{TP + FP}$ 正确预测的正样本除以被判为正样本（正确判断为正样本的样本和误判为正样本的样本）的比例之和

$Recall = \frac{TP}{TP+FN}$ 正确预测的样本和所有正样本的比列

其次，我们需要知道的precision与recall基本成反比的，precison很高则recall会很低，反之，recall会很高。

为什么会这样呢，对于一组我们准备好了的样本（即已知了正样本和负样本情况），之后我们使用模型去对样本进行检测从而得到该样本相对正样本(该模型的检测正样本的）的置信度。我们通过控制置信度来调整recall的值，置信度大于等于的，我们认为这个样本是正样本。对于一个已知的样本，其实际正样本数（TP+FN）是已知的。调整置信度会让模型检测出的正确的正样本数变化，从而使recall变化。随着置信度的调低，检测出正确的正样本数会越来越来多，而总的召回率（recall）在不断提高，而precision会不断降低。