【论文阅读术语】precision、recall、AP、Map

最新推荐文章于 2023-12-22 05:13:33 发布
最新推荐文章于 2023-12-22 05:13:33 发布
阅读量1.2k 收藏 4
点赞数 3
分类专栏： 论文阅读 文章标签： 神经网络 深度学习 机器学习
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/weixin_44721375/article/details/105941571
版权

【最基础术语二】precision、recall、AP、Map

一、precision—查准率、recall—查全率
在介绍查准率之前，我们先来介绍以下几个概念。
TP:True Positive
TN:True Negative
FP:False Positive
FN:False Negative
假设要计算A类的precision和recall，那么我们的目标就是模型能够准确的识别到A类。那么对于TP、TN、FP、FN的概念如下：由下图我们可以知道，True和False根据识别预测到的类与实际类是否对应来区分；Positive与Negative根据预测识别到的是否为A类区分（不管实际是否为A类）
在这里插入图片描述了解了这四个概念，下面我们来介绍precision和recall的计算/定义。

p r e c i s i o n = T P / （ T P + F P ） （ 1 ） precision=TP/（TP+FP） （1） precision=TP/（TP+FP）（1）
r e c a l l = T P / （ T P + F N ） （ 2 ） recall=TP/（TP+FN） （2） recall=TP/（TP+FN）（2）
（1）式可以理解为针对我们的目标，识别到的A类有多少是与实际相符的、准确的，由图可以推导出公式。所以precision称为查准率；（2）式可以理解为针对全部真值中的A类，我们识别到了多少个，即recall查全率。

二、AP—Average Precision、Map—Mean average precision
在这里插入图片描述由图可以看出：

AP:即recall从0到1时准确率的平均值（同一召回率取最高的准确率）。
Map:对所有类别AP再求平均就可以得到mAP了。

本文第二部分转自博主木盏：
原文链接：https://blog.csdn.net/leviopku/article/details/80835929

whwhwhwh@
关注
  • 3
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
计算目标检测IoU、Precision、Recall
05-15
计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall
Matlab code for Precision/Recall, ROC, Accuracy, F-Measure
05-16
Matlab code for computing and visualization: Confusion Matrix, Precision/Recall, ROC, Accuracy, F-Measure etc. for Classification
Roc-curve.zip_Recall_precision_precision recall_roc_roc curve ja
09-14
Everything ROC and Precision-Recall curves.
prec_rec.zip_Curves_Recall_precision recall_precision-recall_rec
09-23
Draws Precision REcall curves
PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc
07-15
分类结果处理：混淆矩阵，precision，recall，roc等
评测标准召回率Recall@K的理解与实例解析
Jason的博客
01-14 6万+
如图： 定义 总共红色边框为all_negative=5 (负样本) 总共蓝色边框为all_positive=5（正样本） top-k推荐：从最后的按得分排序的推荐列表中返回前k个结果。 Precision准确率是检索出相关结果数与检索出的结果总数的比率，衡量的是检索系统的查准率 Recall@K召回率是指前topK结果中检索出的相关结果数和库中所有的相关结果数的比率，衡量的是检索系统的查全率。...
Faiss相似性搜索类库
深藏功与名
08-28 2831
Facebook 人工智能实验室（FAIR）基于十亿级别的数据集构建了最近邻搜索算法的实现，这比之前介绍的已知文献中在 GPU 上实现的最先进且最快的 k-selection 算法还要快大约 8.5 倍，因此创造了新的记录，包括第一个基于十亿高维向量构建的 k 最近邻图。 关于相似性搜索 传统的数据库是由包含符号信息的结构化数据表组成。比如，一个图片集可以表示为一个数据表，每行代表一个被索引的...
Precision、Recall、F1-score、Micro-F1、Macro-F1、Recall@K
orangerfun的博客
06-01 1165
1. 基本概念 TP、True Positive 真阳性：预测为正，实际也为正 FP、False Positive 假阳性：预测为正，实际为负 FN、False Negative 假阴性：预测与负、实际为正 TN、True Negative 真阴性：预测为负、实际也为负 Precision=TPTP+FPPrecision=\frac{TP}{TP+FP}Precision=TP+FPTP​ 分母：判定为正类的个数；分子：判定为正类中实际为正类的个数 Recall=TPTP+FNRecall=\fra
目标检测之mAP
人工智障
08-03 771
目标检测之mAP经常在论文上看到的mAP到底是什么呢一些概念的介绍正负样本TP FP TN FNIoU计算mAP的步骤第一步 计算IoU第二步 计算TP FP FN 的数量第三步 对每个预测得到的检测框进行排序第四步 计算Precision和Recall第五步 绘制P—R曲线 计算AP第六步 计算mAP 经常在论文上看到的mAP到底是什么呢 一些概念的介绍 正负样本 TP FP TN FN IoU 计算mAP的步骤 第一步 计算IoU 第二步 计算TP FP FN 的数量 第三步 对每个预测得到
机器学习中的评价指标——Precision、 Recall 、AP and F1 score
不积跬步无以至千里的博客
08-05 6466
Accuracy、ErrorRate、Presion、Recall、AP、mAP、F1 score、F1 MACRO的理解 Accuracy（精度）和Error Rate（错误率） 是分类模型中最常见的两种性能度量指标，既适用于二分类任务，也适用于多分类任务。 对于分类模型 f 和大小为 n测试集 D，Accuracy的定义为： Accuracy(f;D)=1n∑i=1n(f(xi)=labeli) Accuracy(f;D)=\frac{1}{n}\sum_{i=1}^n(f(x_i)=label_i)
召回率（recall）和精度（precision）
热门推荐
W1995S的博客
03-21 6万+
识别精度主要是由召回率（recall）和精度（precision）表示的。通过绘制precision-recall 曲线，该曲线下方的面积越大，识别精度也就越高，反之越低。 在说明 recall 和 precision 计算公式之前需要先介绍几个数据定义。 在一个数据集检测中，会产生四类检测结果： TP、TN 、FP 、FN： T ——true 表示正确 F——false 表示错误 P—— positive 表示积极的，看成正例 N——negative 表示消极的，看成负例 我的理解：后面为预测结果，前面
Recall（召回率）和 sensitivity（灵敏性）是同一个概念，其他无相同点
studyvcmfc的专栏
08-24 4439
Recall（召回率）和 sensitivity（灵敏性）是同一个概念，其他无相同点 https://blog.csdn.net/jiandanjinxin/article/details/51840829?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant_t0.n.
【Tensorflow】多分类问题的Precision、Recall和F1计算及Tensorflow实现
bqw的博客
12-06 7746
一、二分类问题的Precision、Recall、F1 网络上关于Precision、Recall和F1的介绍有很多，因此这里只作简单回顾。 在二分类问题中，根据真实类别和预测类别的组合可以分为四中情况，分别是TP(True Positive)、FP(False Positive)、TN(True Negative)、FN(False Negative)。如下图： 那么Precision表示所有...
【论文阅读】Mixed Precision Training
pprp的博客
12-20 684
【GiantPandaCV导语】混合精度是一个非常简单并且实用的技术，由百度和谷歌联合发表于ICLR2018，可以让模型以半精度的方式训练模型，既能够降低显存占用，又可以保持精度。这篇文章不是最先提出使用更低精度来进行训练，但是其影响力比较深远，很多现在的方案都是基于这篇文章设计的。 1. 摘要 提高网络模型的大小可以有效提升准确了，但是也增加了内存的压力和计算力的需求。本论文引入了半精度来训练深度神经网络，在不损失精度、不需要更改超参数的情况下，几乎可以减半内存占用。 权重、激活、梯度都是以IEEE半精度
一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
fengmaomao1991的专栏
01-28 7364
其中，BB表示BoundingBox，GT=1表示GT与预测的BoundingBox的IoU>=IoU_th，BoundingBox序号相同代表所对应的GT是同一个。但在工程应用中，物体是否被正确检测到，还是需要具体的confidence_th和IoU_th，工程上更关心在固定的confidence_th和IoU_th下的准确率。注意，FN是从Ground Truth中取，就是如果有n个类似这种的confidence
论文修改方法与技巧 papergpt
最新发布
YYmmsss的博客
12-22 24
通过明确修改目标、全面审查内容、调整结构、使用辅助工具、请教导师或同行、注意细节和格式要求并及时提交修改后的论文，您可以更好地提升论文的质量和水平，提高发表的几率。同时，这也是一个学习和进步的机会，通过这次经历，您可以更好地了解学术论文的要求和规范，为未来的研究工作打下坚实的基础。您可以根据论文的审稿意见、编辑部的修改建议或其他来源的反馈，确定需要改进的内容和方向。通过有效的修改，我们可以提高论文的质量，使其更加符合学术规范和要求。以下是一些论文修改的方法与技巧，帮助您更好地进行论文修改工作。
IoU、Precision、Recall、AP、mAP详解
qq_27155171的博客
10-10 3826
目标检测中的IoU、Precision、Recall、AP、mAP详解
准确率(accuracy)、精确率(Precision)、召回率(Recall)
Deep Learning and NLP Farm
10-26 1万+
准确率(accuracy),精确率(Precision)和召回率(Recall)[2] 是信息检索，人工智能，和搜索引擎的设计中很重要的几个概念和指标。中文中这几个评价指标翻译各有不同，所以一般情况下推荐使用英文。 概念介绍 先假定一个具体场景作为例子。 假如某个班级有男生80人,女生20人,共计100人.目标是找出所有女生. 　　某人挑选出50个人,其中20人是女生,另外还错误的把30
precision recall map
09-21
Precision（精确率）是指在所有被识别为正样本的样本中，真正为正样本的比例。...mAP是Precision-Recall曲线下的面积，表示所有可能的阈值下的平均精度值。mAP的范围在0到1之间，数值越高表示模型性能越好。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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