Pytorch 计算误判率，计算准确率，计算召回率

最新推荐文章于 2025-03-22 10:41:45 发布
最新推荐文章于 2025-03-22 10:41:45 发布
阅读量3w 收藏 60
点赞数 4
分类专栏： pytorch 神经网络 文章标签： pytorch 准确率 误判率 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/sinat_36024346/article/details/80631266
版权
本文介绍了如何在Pytorch中计算神经网络的准确率、误判率（包括CTW和WTC）以及召回率。通过示例代码详细解释了每个指标的计算方法，从二分类问题出发，拓展到多分类问题。

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

无论是官方文档还是各位大神的论文或搭建的网络很多都是计算准确率，很少有计算误判率，

下面就说说怎么计算准确率以及误判率、召回率等指标

1.计算正确率

获取每批次的预判正确个数

train_correct = (pred == batch_y.squeeze(1)).sum()

该语句的意思是 预测的标签与实际标签相等的总数

获取训练集总的预判正确个数

train_acc += train_correct.data[0]      #用来计算正确率

准确率 ： train_acc / (len(train_data))


2.误判率

最低0.47元/天 解锁文章
语义分割准确率计算
jacke121的专栏
11-04 750
语义分割准确率计算
召回率Recall原理与代码实例讲解
AI天才研究院
07-27 364
召回率Recall原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来 在信息检索、机器学习、数据挖掘等众多领
语义分割任务的准确率计算：基于PyTorch实现
创作高质量博文，分享知识，共同进步！
02-09 2123
语义分割任务的准确率计算：基于PyTorch实现
准确率、精确率、召回率、F1值
最新发布
D2460596421的博客
03-22 1080
4. F1 = 2 /（1/精准率 + 1/召回率）=（2*精准率*召回率）/ （精准率+召回率）（在我看来是基于真实类别来判别的，所以分母是该类的真是类别全部个数）（在我看来是基于预测结果来判别的，所以分母是预测该类的全部个数）3.召回率 = 对于一类预测正确的个数 / 真正是该类的全部个数。2.精确率 = 对于一类预测正确的个数 / 预测该类的全部个数。1.准确率 = 预测正确个数 / 总样本的个数；由于需要对精准率和召回率的综合，才引出了F1。准确率和召回率都是基于一类进行研究的。
准确率 精确度 召回率
业余程序员的成长轨迹
03-29 525
真正（TP）：分到类A且真的属于类A的实例数量 ；真负（TN）：没有分到类A且真的不属于类A的实例数量；假正（FP）：分到类A但不属于类A的实例数量；假负（FN）：没有分到类A但属于类A的实例数量；精确度=（TP+TN）/（TP+TN+FP+FN）准确率=TP/（TP+FP）召回率=TP/（TP+FN）链接：https://www.zhihu.com/question/19645541/answe...
pytorch调用sklearn包计算准确度、召回率和F1
开飞机的小毛驴儿
03-28 6357
参考以下链接： https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_score.html
推荐系统评价指标
qq_38124658的博客
08-04 370
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 计算误判率,计算准确率,计算召回率的例子
01-21
下面就说说怎么计算准确率以及误判率、召回率等指标 1.计算正确率 获取每批次的预判正确个数 train_correct = (pred == batch_y.squeeze(1)).sum() 该语句的意思是 预测的标签与实际标签相等的总数 获取训练集总的...
准确率计算pytorch
10-20
Pytorch中可以使用混淆矩阵来计算准确率、误判率和召回率。混淆矩阵是一个表格，用于比较模型预测结果和真实结果之间的差异。在混淆矩阵中，行表示真实结果，列表示预测结果。对角线上的数字表示正确分类的数量，非...
pytorch图像分类全流程(五)--图像分类算法精度评估指标
weixin_45398265的博客
01-28 1626
图像分类算法精度评估指标
Pytorch 实现计算分类器准确率(总分类及子分类)
09-18
今天小编就为大家分享一篇Pytorch 实现计算分类器准确率(总分类及子分类)，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
pytorch中计算准确率，召回率和F1值的方法
热门推荐
coding_zhang的博客
04-26 1万+
predict = output.argmax(dim = 1) confusion_matrix =torch.zeros(2,2) for t, p in zip(predict.view(-1), target.view(-1)): confusion_matrix[t.long(), p.long()] += 1 a_p =(confusion_matrix.diag() / c...
pytorch进阶学习（七）：神经网络模型验证过程中混淆矩阵、召回率、精准率、ROC曲线等指标的绘制与代码
CV在读
04-14 9269
在机器学习领域，混淆矩阵（ConfusionMatrix），又称为可能性矩阵或错误矩阵。混淆矩阵是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。在下图是否为猫的预测中，表格左上（实际为正和预测为正）和右下（实际为负和预测为负）是预测正确的值。根据左边表格的数据，可以得出右边表格中的数字，即得到了混淆矩阵。
pytorch 实现目标检测（二）（小黄人测试、准确度、精确度、召回率）
阿鹏的摇滚小站
02-14 1572
六、测试网络模型 (1) 基本概念理解 需要清楚几个概念：准确度、精度、召回率 TP: True Positive,将正样本预测为正样本的样本数量（预测正确） FN: False Negtive,将正样本预测为负样本的样本数量 FP: False Positive,将负样本预测为正样本的样本数量 TN: True Negtive,将负样本预测为正样本的样本数量（预测正确） 1. 准确度：准确度...
pytorch多分类问题注意事项以及分类指标
weixin_45703331的博客
10-03 1685
多分类问题的注意事项及分类指标
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入门20：准确率的使用
qq_42360017的博客
03-28 520
import torch output_1 = torch.tensor([[0.1,0.2], [0.05,0.4]],dtype=torch.float32) print(output_1.argmax(0)) # 参数设置为0，通过竖向寻找最大值，并获得最大值对应的索引 output_2 = torch.tensor([[0.1,0.2], [0.3,0.4]],dtype=torch.float32) p
【人工智能 & 卷积神经网络】基础练习：基于torch构建卷积神经网络，测试集正确率达 百分之99
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
01-21 720
基于torch构建卷积神经网络，测试集正确率达 百分之99。
评论 13
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