机器学习算法性能评价方式
2017-08-24 15:44
295 查看
机器学习(包括信息检索，目标检测等)有一套专门的评价算法性能的方式。由于其来源于信息检索，以下将其独立进行分析。
Precision(准确率)
准确率是正确检索到的信息与实际被检索到的信息之商。Accuracy(精确率)
精确率是分类器正确分类的样本数与总样本数之商。Recall(召回率)
召回率是被正确检索为相关信息与应该被检索到的信息之商。Fall-out(失误率)
检索的所有信息中不相关信息与所有不相关信息之商。mAP(mean Average Precision)
mAP就是recall与precision图像围成的面积。
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- 评价图像质量的新方式SSIM
- 计算机科学期刊介绍--各种杂志投稿方式与评价
- Java Map各遍历方式的性能比较
- 系统架构之系统性能评价
- 改进Java中的对象管理方式，提高程序性能
- Java 5种字符串拼接方式性能比较
- 再谈Attribute性能优化方式：使用CCI Metadata
- 把数组排成最小的数三种实现方式及时间性能分析
- XML基础+Java解析XML +几种解析方式的性能比较
- 各种数组元素复制方式的性能比较
- sql*loader的直接加载方式和传统加载方式的性能差异
- 网络性能评价方法
- Java 5种字符串拼接方式性能比较。
- 清理多余右键方式 让Win7整体性能更快
- 系统间通信方式之（ActiveMQ的使用性能优化3）（十四）
- Machine Learning with Scikit-Learn and Tensorflow 7.3 Out-of-Bag评价方式
- 系统间通信方式之（ActiveMQ的使用性能优化之冰火两重天5）（十六）
- Java中读取输入方式的性能比较
- 浅析SQL Server的分页方式 ISNULL与COALESCE性能比较
- Java 5种字符串拼接方式性能比较。