深度学习笔面试知识点总结

最新推荐文章于 2022-01-05 16:29:38 发布

zichen7055

最新推荐文章于 2022-01-05 16:29:38 发布

阅读量151

点赞数

分类专栏：差记性更要烂笔头

本文链接：https://blog.csdn.net/zichen7055/article/details/102782387

版权

21 篇文章 0 订阅

订阅专栏

$Precision = \frac{TP}{TP+FP}$ （分母为预测为正样本的样本总数）

$Recall = \frac{TP}{TP+FN}$ （分母为标签为正样本的样本总数）

Precision作为纵轴，Recall作为横轴画PR图，PR曲线与坐标轴之间的面积即Average Precision (AP)，多个PR曲线下的面积的平均值即mAP。PR曲线主要聚焦于正样本分析，适合正样本少的情况，一般来说，优于ROC曲线。

$TPrate = \frac{TP}{TP+FN}$ （分母为标签为正样本的样本总数）

$FPrate = \frac{FP}{FP+TN}$ （分母为标签为负样本的样本总数）

以TPrate为纵轴，FPrate为横轴画ROC图，ROC曲线与横轴面积即AUC。ROC曲线适用于类别不均衡的样本集，在类别改变时曲线也不发生大的变动，用于评估整体分类器的性能，但是对于评估结果过于乐观。

横轴是模型预测的类别数量统计，纵轴是数据真实标签的数量统计。对角线，表示模型预测和数据标签一致的数目，所以对角线之和除以测试集总数就是准确率。

$accuracy = \frac{true prediction}{all samples}$

关注

专栏目录