深度学习中的评价指标

最新推荐文章于 2024-07-10 20:03:11 发布
最新推荐文章于 2024-07-10 20:03:11 发布
阅读量1k 收藏 11
点赞数 11
分类专栏： 机器学习和深度学习 文章标签： 深度学习 人工智能
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_45177424/article/details/135417138
版权

文章目录

评价指标是评价深度学习中模型的好坏

1. (准确率 accuracy)Acc

指的是所有预测当中预测正确的比例
在这里插入图片描述

在这里插入图片描述
其中：
在这里插入图片描述

2. 精确率（precision）

对于预测样本而言，是指预测为正的样本中，实际是正样本的情况

在这里插入图片描述

在这里插入图片描述

3. 查全率/召回率（recall）

对原样本（实际样本）而言的，它的含义是在实际为正的样本中被预测为正样本的概率，其公式如下：

在这里插入图片描述
在这里插入图片描述

4. F1分数

调和精确率和召回率
在这里插入图片描述

5. IoU交并比（Intersection over Union）

Lou=交集/并集
这里参考了博主Emins机器学习分类问题指标评估内容详解（准确率、精准率、召回率、F1、ROC、AUC等）
在这里插入图片描述
一般来说，我们认为IOU>0.5就是正确的检测结果。

6. map

将recall设置为横坐标，precision设置为纵坐标。PR曲线下围成的面积即AP，所有类别AP平均值即mAP
在这里插入图片描述
mAP@0.5后面的0.5代表交并比就是0.5

妖怪书生
关注
  • 11
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
『NLP学习笔记』Sklearn计算准确率、精确率、召回率及F1 Score
AI新视界
12-07 9896
分类是机器学习中比较常见的任务，对于分类任务常见的评价指标有 准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1 score、ROC曲线(Receiver Operating Characteristic Curve)等。
衡量模型的性能和准确性--九五小庞
qq_37241964的博客
01-22 534
这些指标是机器学习和人工智能中常用的评估标准。
TP、TN、FP、FN、Acc、Pre、Sen、Rec、F1含义
wangml_7的博客
12-03 3736
引用自此博文 1、 TP，TN，FP，FN的理解 定义 第一个字母T/F代表预测的结果是否和实际情况相符：即如果真实情况为正样本（P），预测为正样本（P），则为T；如果真实情况为负样本（N），预测为负样本（N），则为T；如果真实情况为P，预测为N，则为F；如果真实情况为N预测为P，则为F。 第二个字母P/N代表预测结果的正负：如果预测为正样本，则为P；如果预测为负样本，则为N。 TP：true positive，被判定为正样本，事实上也是正样本； TN：true negative，被判定为负样本，事实上也是
聚类算法评价指标Precision，F-meare，F1，ACC
03-11
聚类算法评价指标
推荐算法评价指标(ACC、查全率、查准率、F1-Score、ROC、AUC,P-R)
traveler-leon的博客
04-27 1万+
推荐系统的评价指标很多，今天介绍：准确率(ACC)、查准率(P精确率)、查全率(R召回率)、F1-score、ROC、AUC
机器学习常用评价指标：ACC、AUC、ROC曲线
热门推荐
shiaiao的博客
10-06 4万+
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、混淆矩阵二、评价指标1.准确度（Accuracy）总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一
机器学习——评价指标
Anooyman的博客
04-12 693
准确率，精确率，召回率，PR曲线，F1分数和ROC曲线下面积（ROC-AUC）都是机器学习领域中较为常用的评价指标。本文将带领大家全面的了解各个指标之间的联系和不同。
深度学习，FID指标计算
04-14
计算指标时，只需要修改--path_real和--path_fake这两个参数就可以。 用这个距离来衡量真实图像和生成图像的相似程度，如果FID值越小，则相似程度越高。最好情况即是FID=0，两个图像相同。 如果FID值越小说明模型...
深度学习原理3——深度学习评价指标 深度学习原理.pdf
04-13
深度学习原理3——深度学习评价指标是深度学习中一个重要的概念，衡量一个模型的好坏，首先需要确定指标体系，目前常用的指标有如下几个。 1. 混淆矩阵（Confusion Matrix） 混淆矩阵中的横轴是模型预测的类别数量...
基于深度学习的中小学生STEAM学习质量评价指标体系构建.pdf
08-18
总结来说，这篇研究通过深度学习的视角，构建了一套全面的中小学生STEAM学习质量评价指标体系，为我国STEAM教育的发展提供了理论支持和实践指导，对于提升学生在STEM领域的学习质量和创新能力具有深远影响。
机器学习常用的评价指标
04-10
深度学习常用的评价指标
图像修复评价指标.zip
07-01
在这个主题中，我们将深入探讨几种关键的评价指标，包括L1 Error、Peak Signal-to-Noise Ratio (PSNR)、Structural Similarity Index Measure (SSIM)以及Frechet Inception Distance (FID)，这些都在提供的压缩包...
机器学习评价指标（分类、目标检测）
AI学长
03-10 1127
通常来讲，逻辑回归的概率越大说明越接近1，也就可以说他是坏用户的可能性更大。比如，我们定义了阈值为0.5，即概率小于0.5的我们都认为是好用户，而大于0.5都认为是坏用户。因此，对于阈值为0.5的情况下，我们可以得到相应的一对查准率和查全率。
【一文看懂】深度学习中常用的各项评价指标含义TP、FP、TN、FN、Accuracy、Recall、F1、IoU、mIoU
qq_27816785的博客
06-26 8869
无论是对于图像领域的分类、分割问题，亦或点云领域的物体分类、场景分割，在评价一个模型的好坏时，经常涉及TP、FP、TN、FN、IoU、Accuracy。。。等指标进行衡量，那么这些指标是什么意思呢？我请到了鸭子先生、猴子客人和熊猫管家来给大家亲身示范一下。咦！发现10个可爱的小动物，可是我们不知道是什么动物，要不用深度学习分一下类吧？ 这个时候我们直接掏出训练好的，把这些小动物丢进去，一番等待之后，我们有了以下的预测结果： 很明显，模型并没有非常完美的完成任务。但是如何评价它呢？对某一来讲：T = tru
深度学习分类基础概念对ACC、PPV、TPR、TNR
weixin_47728827的博客
12-15 6935
举个例子： ACC = 10+15 +20/(10+1+2+3+14+4+5+6+20) PPV(猫) = 10/(10+1+2) 【解释】这里的1和2是因为狗、猪分类错误，分到了猫 PPV(狗) = 15/(15+6+1) PPV(猪) = 20/(20+5+6) TPR(猫) = 10/(10+3+5)
关于多分类的评价指标acc、pre、recall、f1
ARYAD的博客
08-21 1897
1.准确率ACC： overall： 准确率是分类正确的样本占总样本个数的比例，即 其中， ncorrect​为被正确分类的样本个数， ntotal​为总样本个数。 结合上面的混淆矩阵，公式还可以这样写： y_pred = [0, 2, 1, 3] y_true = [0, 1, 2, 3] print(accuracy_score(y_true, y_pred)) # 0.5 print(accuracy_score(y_true, y_pred, normalize=False)) # 2
深度学习中的各类评价指标
m0_46256255的博客
12-06 1003
F分数是统计学中用来衡量二分类模型精确度的一种指标，它同时兼顾了分类模型的精确率和召回率。F分数可以看作是模型精确率和召回率的一种加权平均，其最大值是1，最小值是0。计算公式为Precision = TP / (TP + FN)，其中TP表示真正例（True Positives），FN表示假负例（False Negtives）。计算公式为Precision = TP / (TP + FP)，其中TP表示真正例（True Positives），FP表示假正例（False Positives）。
深度学习的可解释性 github_深度学习预训练模型可解释性概览
weixin_39576149的博客
11-22 362
©PaperWeekly 原创·作者｜蔡杰学校｜北京大学硕士生研究方向｜问答系统近年来预训练模型(ELMo, GPT, BERT, XLNet, ALBERT 等)给许多 NLP 任务带来了显著的改进，但是有一个问题一直困扰着大家：被当做黑盒的神经网络到底是如何做的以及为什么会这样做？最近，人们对解决这个谜团越来越感兴趣，就此，我将最近看的一些相关论文进行总结，希望可以和大家一起探讨...
GCN-LSTM实现时空预测
最新发布
weixin_44992737的博客
07-10 678
GCN-LSTM实现交通流量预测,时空预测,
基于深度学习的评价指标
04-20
基于深度学习的评价指标是用来衡量深度学习模型性能的指标。以下是一些常见的基于深度学习的评价指标： 1. 准确率（Accuracy）：准确率是最常用的评价指标之一，表示模型预测正确的样本数占总样本数的比例。 2. 精确率（Precision）和召回率（Recall）：精确率和召回率常用于二分类问题。精确率表示预测为正例的样本中真正为正例的比例，召回率表示真正为正例的样本中被正确预测为正例的比例。 3. F1值（F1-score）：F1值是精确率和召回率的调和平均值，综合考虑了两者的性能。F1值越高，模型的性能越好。 4. 均方误差（Mean Squared Error，MSE）：均方误差是回归问题中常用的评价指标，表示预测值与真实值之间差异的平方的平均值。 5. 对数损失（Log Loss）：对数损失常用于二分类问题中，衡量模型对样本分类的准确性。对数损失越小，模型的性能越好。 6. AUC-ROC：AUC-ROC是用于二分类问题的评价指标，表示模型预测正例样本排在负例样本前面的概率。AUC-ROC的取值范围在0.5到1之间，越接近1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