精度(precision),召回率(recall),map
目標檢測中經常會見到precision,recall,map三個指標用來評估一個模型的優劣,當然在很多其他的應用中也可以看到這三個指標的具體應用;因此很有必要對這三個指標進行詳細的瞭解。在介紹這三個指標之前有必要先了解幾個基本的術語:True positives,True negatives,False positives,False negative。
大雁和飛機
假設現有一個測試集,測試集中僅包含大雁和飛機兩種目標,如圖所示:
假設分類的目標是:取出測試集中所有飛機圖片,而非大雁圖片
現做如下定義:
True positives: 飛機的圖片被正確識別為飛機
True negatives:大雁的圖片被識別為大雁
False positives:大雁的圖片被識別為飛機
False negatives:飛機的圖片被識別為大雁
假設分類系統使用上述假設識別出了四個結果,如下圖所示:
識別為飛機的圖片中:
True positives:有三個,畫綠色框的飛機
False positives:有一個,畫紅色框的大雁
識別為大雁的圖片中:
True negatives:有四個,這四個大雁的圖片被識別為大雁
False negatives:有兩個,這兩個飛機被識別為大雁
Precision與Recall
Precision其實就是識別為飛機的圖片中,True positives所佔的比率:
precision = tp / (tp + fp) = tp / n
其中n表示(True positives + False positives),也就是系統一個識別為飛機的圖片數。該例子中,True positives為3,False positives為1,所以precision = 3 / (3 + 1) = 0.75,意味著識別為飛機的圖片中,真正為飛機的圖片佔比為0.75。
Recall是被正確識別出來飛機個數與測試集中所有真正飛機個數的比值:
recall = tp / (tp + fn)
Recall的分母是(True positives + False negatives),這兩個值的和,可以理解為一共有多少張真正的飛機圖片。該例子中,True positives為3,False negatives為2,那麼recall的值是3 / (3 + 2) = 0.6;即所有飛機圖片中,0.6的飛機被正確識別為飛機。
調整閾值
當然對某一個具體的模型而言precision和recall並不是一成不變的,而是隨著閾值的改變而改變的。當閾值以某一步伐從0變化到1,那麼就可以得到關於precision和recall生成的曲線,具體示意圖如下:
上圖為一個pr曲線的例子,並不表示上面例子的pr曲線結果,從pr曲線可以看到precision和recall是相反的,因而在實際專案當中需要根據具體的情況來選取合適的閾值。
相關文章
- 準確率(Accuracy) 精確率(Prescision) 召回率(Recall)
- [白話解析] 通過例項來梳理概念 :準確率 (Accuracy)、精準率(Precision)、召回率(Recall)和F值(F-Measure)
- Precision,Recall,TPR,FPR,ROC,AUC,F1辨析
- sklearn(七)計算多分類任務中每個類別precision、recall、f1的整合函式precision_recall_fscore_support()函式
- 機器學習中的 precision、recall、accuracy、F1 Score機器學習
- 計算深度學習評價指標Precision、Recall、F1深度學習指標
- 分類模型的F1-score、Precision和Recall 計算過程模型
- 精確率、召回率、準確率與ROC曲線
- Alink漫談(八) : 二分類評估 AUC、K-S、PRC、Precision、Recall、LiftChart 如何實現
- 機器學習之分類:精確率和召回率機器學習
- 機器學習中的查全率recall、精度和F1得分的通俗解釋機器學習
- AI質檢優化實踐:召回率和準確率,哪個更重要?AI優化
- AI質檢最佳化實踐:召回率和準確率,哪個更重要?AI
- 混淆矩陣、準確率、精確率/查準率、召回率/查全率、F1值、ROC曲線的AUC值矩陣
- 【機器學習】什麼樣的機器學習產品是最符合使用者需求的;機器學習模型的衡量不止準確率:還有精度和召回率機器學習模型
- 一文詳解機器學習的判別指標(精準率,召回率)機器學習指標
- 等精度頻率計的設計與驗證
- ECE 498/598 Associative Recall Problem
- 召回網頁網頁
- High precision grasp pose detection in dense clutter
- 推薦召回--基於內容的召回:Content Based
- 【火爐煉AI】機器學習011-分類模型的評估:準確率,精確率,召回率,F1值AI機器學習模型
- 高精度+低精度加法
- 高精度 加+ 高精度
- 高精度 減- 高精度
- 高精度 除/ 低精度
- 如何召回流失的玩家? 7步搭建召回體系
- 高精度-高精度減法
- HDU 2256Problem of Precision(矩陣快速冪)矩陣
- Task03 多路召回
- Tutor(精度)
- 使用者召回體系:打造一個大而全的使用者召回矩陣矩陣
- [20181017]ORA-01873 the leading precision of the interval is too small.txt
- 高精度乘法
- Map
- 數學-高精度
- js數值精度JS
- 機器學習在提升持續整合構建準確性和召回率的應用和思考 - 楊碩機器學習