当前位置:   article > 正文

深度学习指标:准确率acc,精确率precision,召回率recall,f1-score的通俗解释_深度学习acc

深度学习acc

TP: 将正类预测为正类数
FN: 将正类预测为负类数
FP: 将负类预测为正类数
TN: 将负类预测为负类数

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN)
精确率(precision) = TP/(TP+FP)
召回率(recall) = TP/(TP+FN)
f-score = 精确率 * 召回率 * 2 / (精确率 + 召回率)

举个例子

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.
other10w, 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)

准确率acc

准确率是我们最常见的评价指标,而且很容易理解,就是被分对的样本数除以所有的样本数,通常来说,正确率越高,分类器越好。
在这里插入图片描述
acc = (4+8)/(4+2+1+8)=80%

精确率precision:

你认为的该类样本,有多少猜对了(猜的精确性如何)。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.TP表示是真正分类正确的数量。分母TP+FP表示被识别成儿童的总数
在这里插入图片描述

precision = TP /(TP + FP) = 66.67%

召回率 recall:

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:
通俗对的解释就是,本来该有5W个儿童,算法召回了多少。
recall = TP / (TP + FN) = 80%

F-score =精确率 * 召回率 * 2 / (精确率 + 召回率)

f-score =(0.667*0.8)*2/(0.667+0.8) = 72.8%

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/不正经/article/detail/673680
推荐阅读
  

闽ICP备14008679号