zoukankan      html  css  js  c++  java
  • 深度学习的精确率和召回率,浅显的例子

     最近正好做 男女儿童的分类,举个具体的例子解释一下:

    假设 儿童5w, 识别成儿童的有 4w, 识别成 other 的有1w.
    other 10w, 识别成other的有8w, 识别成 儿童的有 2w
    下面分析儿童的准确率和召回率,那么按照给出的信息分析下面表格:

    儿童相关数据 儿童不相关数据

    检索到儿童 是儿童的数据并识别为儿童 把other识别成儿童
    (正类识别为正类, TP=4w) (负类识别为正类,FP=2w)

    未检索到儿童 是儿童数据却识别为other 把other识别为 other
    (正类识别为负类, FN= 1w) (负类识别为负类, TN=8w)

    由于我们现在分析的是儿童的准确率和召回率,所以儿童是正类,other是负类,
    所以准确率可以解释为,在所有 判别为儿童的数据中是儿童的 数据的比例:
    acc = TP /(TP + FP) = 66.67%
    召回率可解释为, 在所有儿童相关的数据中,判别为儿童的 数据的比例:
    recall = TP / (TP + FN) = 80%
    同样的可以统计 other 的 准确率和召回率, 根据上面表格中详细的解释,可以自己试试。
     
    上面内容是拷贝过来的,
    笔者补充:
    F1 Score:F1 Score = P*R/2(P+R),其中P和R分别为 precision 和 recall
    F1 = 0.18
     
     
     
  • 相关阅读:
    Delphi公用函数单元
    Delphi XE5 for Android (十一)
    Delphi XE5 for Android (十)
    Delphi XE5 for Android (九)
    Delphi XE5 for Android (八)
    Delphi XE5 for Android (七)
    Delphi XE5 for Android (五)
    Delphi XE5 for Android (四)
    Delphi XE5 for Android (三)
    Delphi XE5 for Android (二)
  • 原文地址:https://www.cnblogs.com/tangxiaosheng/p/10796827.html
Copyright © 2011-2022 走看看