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