Precision:查准率,识别正确的/所有识别出来的。
这个指标反应了你的可信度,比如让儿子把药拿过来,他一定不能错,他可以不把家里全部的药都拿过来,但是他要保证拿过来必须是降压药。也就是拿药的precision一定要是100%。(见eg5)
Recall:查全率,有多少东西被找到了。识别正确的/未识别的+已识别的。
Eg1:总共有100张测试图片,有80张图片上标了路。20张图片里没有路。A模型测试之后,认为50张图片里有路。但是这50张照片中只有40张是真正有路的,另外10张没有路。
- Precision:40/50=80%
- Recall:40/80=50%
- True positives : 正样本被正确识别为正样本:40
- True negatives: 负样本被正确识别为负样本:20
- False positives: 假的正样本,即负样本被错误识别为正样本:10
- False negatives: 假的负样本,即正样本被错误识别为负样本:30
- 总和为100
Eg2:一张图里面有3条路(正样本),2条河(负样本),标记了3条路。B模型测试后,检测结果为4条路,其中真正标记是路的只有2条。
- Precision: 2/(2+2) tp/tp+fp=50%
- Recall:2/3 tp/tp+fn
- True positives : 正样本被正确识别为正样本: 2
- True negatives: 负样本被正确识别为负样本:0
- False positives: 假的正样本,即负样本被错误识别为正样本:2
- False negatives: 假的负样本,即正样本被错误识别为负样本:1
Eg3:一张图里面有3条路(正样本),2条河(负样本),标记了3条路。C模型测试后,检测结果为4条路,其中真正标记是路的只有3条。
- Precision: 3/(3+1) tp/tp+fp=75%
- Recall:3/3=100% tp/tp+fn
- True positives : 正样本被正确识别为正样本: 3
- True negatives: 负样本被正确识别为负样本:1
- False positives: 假的正样本,即负样本被错误识别为正样本:1
- False negatives: 假的负样本,即正样本被错误识别为负样本:0
Eg4:一张图里面有2条路(正样本),1条河(负样本),标记了3条路。D模型测试后,检测结果为3条路,其中真正标记是路的有2条。
- Precision: 2/3 tp/tp+fp= 2/3
- Recall:2/2=100% tp/tp+fn=100%
Eg5:一张图里面有2条路(正样本),1条河(负样本),标记了3条路。E模型测试后,检测结果为1条路,其中真正标记是路的有1条。
- Precision: 1/1=100% tp/tp+fp= 100%
- Recall:1/2=50% tp/tp+fn=50%