深度学习中的精确率与召回率

已于 2024-04-23 13:01:12 修改
阅读量3.2k 收藏 6
点赞数 1
CC 4.0 BY-SA版权
文章标签： 深度学习 概率论 机器学习
于 2021-07-23 09:10:00 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/sdhdsf132452/article/details/119022638
本文介绍了深度学习中衡量模型性能的两个重要指标——精确率和召回率。精确率关注预测为正样本中实际为正的比例，而召回率则关注所有正样本中被正确预测的比例。理解这两个概念有助于优化模型的查准率和查全率。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在理解深度学习中map的时候，有2个概念是绕不过去的：精确率和召回率。这2个概念都和正样本有关。其中：

精确率 反映的是查准率，就是说，对于你预测为正的样本，有多少它确实是正的样本，即：样本确实是真，你预测也为真 / （样本确实是真，你预测也为真+样本是假，你预测为真）的概率

\frac{true.pos<and>predic.pos}{(true.pos<and>predic.pos)+(ture.negative<but>predic.pos)}，       即：\frac{true.pos}{true.pos+false.pos}

召回率 反映的是查全率，就是说，对于所有你针对正样本的预测结果，你预测它为正样本，占所有正样本的比例，即：样本确实是真，你预测也为真 / （样本确实是真，你预测也为真+样本确实是真，你预测它为假）的概率

了解本专栏 订阅专栏 解锁全文 超级会员免费看
简单说深度学习:召回率和准确率
Ven%的博客
08-24 190
假设类别x中的分类结果中的正确分类给x的有a个 ,错误分类给x的有b个,错误分类到其他类的有c个。(Recall): recall=a/(a+c) ,衡量数据召回到同一类别(归于一类)的性能。(Precision):precision=a/(a+b),衡量分类(准确归于类别)准确性。
【深度学习基础】准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
云端筑梦师
03-20 9898
这里主要解释的是前四个 先给出百度百科定义 召回率(Recall Rate,也叫查全率)是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查全率； 精度是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。 召回率(Recall)和精度(Precise)是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。 F-measure应该是精准率和...
深度学习之：查全率（召回率recall）和查准率（精确率precision）
Liu Wj的博客
01-17 3990
看yolo9000时，作者在table2下面提到一句话，是Two exceptions are swithing to a fully convolutional network with anchor boxes and  using the new network... 作者说利用anchor boxes 没有改变mAP，但是增加了召回率。 不明白召回率的含义，百度之，含义如下： 在信息
深度学习中准确率、精确率、召回率、误报率、漏报率、F1-Score、AP&mAP、ROC曲线、AUC、MAE、MAPE、MSE、RMSE、R-Squared等指标的解释说明
yueguang8的博客
03-20 1万+
在深度学习学习中，有许多常用的评估指标用于衡量模型的性能。下面是一些常见的指标及其定义和说明。关键名字解释：TP表示真正例（True Positive），即模型正确预测为正例的样本数量；TN表示真负例（True Negative），即模型正确预测为负例的样本数量；FP表示假正例（False Positive），即模型错误地将负例预测为正例的样本数量；FN表示假负例（False Negative），即模型错误地将正例预测为负例的样本数量。
评估深度学习模型的指标：混淆矩阵、准确率、精确率和召回率
oreo的博客
12-14 1万+
在计算机视觉任务重，目标检测用来定位出一张图像上的一个或多个物体。。处理传统的目标检测方法，基于深度学习的模型比如R-CNN和YOLO算法在不同类型的物体检测上都有着优异的检测效果。这些模型接收一张图像作为输入数据，然后返回每一个所检测物体的边界框的坐标。这个教程将会讨论如何计算混淆矩阵、准确率、精确率和召回率。具体而言，主要内容如下： （1）二分类的混淆矩阵 （2）多分类的混淆矩阵 （3）使用Scikit-learn库来计算混淆矩阵 （4）准确率、精确率和召回率计算公式 （5）使用精确率还是..
深度学习分类任务中的准确率、精确率（查准率）、召回率（查全率）、F1值、ROC曲线的AUC值，
chumingqian的博客
01-05 6136
其中关于 TP, TN;FP, FN 的解释；其中;注意，此时这里的正样本代表的 是 预测属于某一类别的样本；负样本则代表预测不属于某一类别的样本。举例说来部分仓库， 与此不一致，列代表真实值，行代表预测值，需要阅读代码的时候，通过查看文档确定；
深度学习笔记: 最详尽解释预测系统的分类指标(精确率、召回率和 F1 值)
weixin_53765658的博客
07-02 2091
让我们来谈谈预测系统的分类指标以及对精确率、召回率和F1分数的直观解释。每当我们设计预测系统时，无论是统计模型还是复杂的神经网络，我们都希望看到它的表现如何。我们希望准确了解输出的质量，不仅如此，我们还希望能够将它们与其他当代或最先进的系统进行比较，以证明我们的方法更优。制定这样的比较并不简单。我们必须从多个角度提出质量问题，这需要一个良好的指标来量化输出的质量，使它们能够直接与其他方法进行比较，并确保输入不变性。
详细讲解准确率、召回率和综合评价指标
anyi6536的博客
07-22 1044
为了对实验结果进行评价，用到准确率、召回率和F值，下面对此进行详细介绍。 1、准确率与召回率（Precision & Recall） 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；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...
深度学习基础：精确率、召回率理解
DU_YULIN的博客
10-07 2063
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言1. 精确率、召回率理解总结参考 前言 在使用Paddle实现手写数字识别时，发现对模型评估标准：精确率（precision）和召回率（recall）有些记不清了，在查找相关定义后，这个做下笔记，分享给大家！ 1. 精确率、召回率理解 精确率（precision）=真实正样本被预测为正样本数量（TP）所有预测为正样本数量（TP+FP）精确率（precision）=\frac{真实正样本被预测为正样本数量（TP）}{所有预测为
深度学习中：准确率，精确率，召回率，F1计算方式
chaojishuai123的博客
06-11 1万+
** TP：(实际为正例，预测也为正例) 实际为男生，预测为男生； FP：(实际为负例，预测为正例) 实际为女生，预测为男生； FN：(实际为正例，预测为负例) 实际为男生，预测为女生； TN：(实际为负例，预测也为负例) 实际为女生，预测为女生； ** 准确率(Accuracy) ＝ (TP + TN) / 总样本 。 定义是: 对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。 精确率(Precision) ＝ TP / (TP + FP) 。它表示：预测为正的样本中有多少是真正的正样本，它
【深度学习】：【结果衡量指标】召回率（Recall），精确率（Precision），F度量（F-measure），Map，ROC，AUC
yuanCruise
05-04 1万+
精确率（Precision），又称为“查准率”。 召回率（Recall），又称为“查全率”。 召回率和精确率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中召回率是是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查全率。精确率是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。如以下公式所示： 召回率(Re...
【详细解释深度学习图像分类&检测评价指标】准确率Accuracy、精确率Precision、召回率Recall、mAP等(一文搞懂，建议收藏)
cqy阳的博客
01-24 1万+
【详细解释深度学习图像分类&检测评价指标】准确率Accuracy、精确率Precision、召回率Recall、mAP等(一文搞懂，建议收藏)
召回率和精度
weixin_30756499的博客
09-01 517
召回率（Recall）和精度（Precise）是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中召回率是是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查全率。精度是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。 从一个大规模数据集合中检索文档时，可把文档分成四组： 1. 系...
好记性不如烂笔头——关于精确度、召回率、F值、准确率
zjc的专栏
07-05 2414
将数据挖掘中这些评测指标的基本概念做一整理，忘了的时候还可以来查一查。 精确度，有时也叫正确率，是英文中的precision而不是accuracy。表示正确识别为此类的样本数目（TP）/识别为此类的样本总数目（TP+FP）。FP就是那些原本不是此类但被错误的分为此类的样本数目。 召回率，这个名称容易使人把它和召回缺陷产品的比率联想到一起，完全不是一码事。所以另外一种翻译的名称更
Precision (精确率) 和 Recall (召回率)
weixin_51976215的博客
04-08 1万+
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。
准确率（accuracy）、精确率（precision）、召回率（recall）
Cheese_pop的博客
10-13 5万+
整理了知乎上的前两个回答，https://www.zhihu.com/question/19645541 其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；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查全率。一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索
精确度(Precision)、召回率(Recall)和F1_Score
Ling的博客
09-06 1万+
欢迎使用Markdown编辑器写博客 在衡量模型性能好坏时，我们经常用到准确率、召回率和F1评分，再此做记录，以防遗忘。 https://blog.csdn.net/gagalaha/article/details/51327083 Markdown和扩展Markdown简洁的语法 代码块高亮 图片链接和图片上传 LaTex数学公式 UML序列图和流程图 离线写博客 导入导出Markdow...
召回率 Recall、精确度Precision、准确率Accuracy
zhangpinghao的专栏
01-20 2463
假设原始样本中有两类，其中：  1：总共有 P个类别为1的样本，假设类别1为正例。  2：总共有N个类别为0 的样本，假设类别0为负例。  经过分类后： 3：有 TP个类别为1 的样本被系统正确判定为类别1，FN 个类别为1 的样本被系统误判定为类别 0，显然有P=TP+FN；  4：有 FP 个类别为0 的样本被系统误判断定为类别1，TN 个类别为0 的样本被系统正确判为类别 0，显然
准确度(accuracy)、精确率（precision)、召回率（recall）、F1值 谈谈我的看法
热门推荐
凡心所向.AI
08-22 15万+
前言 准确度、精确率、召回率、F1值作为评估指标，经常用到分类效果的评测上。比较好理解的二分类问题，准确度评估预测正确的比例，精确率评估预测正例的查准率，召回率评估真实正例的查全率。如何把这些评估指标用到多分类上呢，比如有三个类别A、B、C，准确度好理解，只要关系是否预测正确即可；那么精确率和召回率怎么理解呢？我们可以把多分类问题拆分成多个二分类问题，比如A类别是否预测正确，B类别是否预测正确，C类别是否预测正确，分别计算各个类别的每个类别的精确率和召回率，最终求均值既能作为所有样本的评估指标。 基本概
深度学习中精确率和召回率代码怎么写
最新发布
12-26
### 深度学习中实现精确率和召回率计算 在深度学习项目中，为了评估模型的表现，通常会使用精确率(Precision)和召回率(Recall)，这两个指标对于分类问题尤为重要。下面展示了一个基于给定的真实标签`true_labels`以及预测标签`pre_labels`来计算精确率和召回率的方法。 #### 使用Python代码实现精确率和召回率的计算 ```python def calculate_precision_recall(true_labels, predicted_labels): """ 计算精确率和召回率 参数: true_labels (list): 真实标签列表. predicted_labels (list): 预测标签列表. 返回: tuple: 包含两个浮点数，分别为精确率和召回率. """ # 将真实标签转换成集合形式以便于操作 actual_positives = set(true_labels) # 获取真正例(TP), 假正例(FP) tp_fp_set = set(predicted_labels) # 计算TP（True Positive） true_positive = len(actual_positives.intersection(tp_fp_set)) # 如果没有任何预测，则返回0作为精确率 try: precision = true_positive / len(tp_fp_set) except ZeroDivisionError: precision = 0 # 计算FN（False Negative），即未被正确识别出来的正类数量 false_negative = len(actual_positives.difference(tp_fp_set)) all_positives_count = len(actual_positives) # 如果不存在任何真实的阳性案例，则定义召回率为1或视具体情况而定 if all_positives_count == 0: recall = 1.0 else: recall = true_positive / all_positives_count return precision, recall # 测试函数 if __name__ == "__main__": y_true = [0, 1, 2, 0, 1, 2] # 真实类别 y_pred = [0, 2, 1, 0, 0, 1] # 模型预测的结果 p, r = calculate_precision_recall(y_true, y_pred) print(f"Precision={p:.4f}, Recall={r:.4f}") ``` 此段代码实现了从输入数据集中提取出真正的正样本(`actual_positives`)，并通过比较预测结果集(`tp_fp_set`)得到真正例的数量(True Positives, TP)[^3]。接着分别通过除以总预测数目获得精确率，以及除以总的正样本来获取召回率[^4]。
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