TP FP TN FN
2017-11-02 11:25
169 查看
转自:
作者:Charles Xiao
链接:https://www.zhihu.com/question/19645541/answer/91694636
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
纠正下,精确率(precision)和准确率(accuracy)是不一样的,题主问的应该是精确率与召回率之间的差别。
一.定义辨析
刚开始接触这两个概念的时候总搞混,时间一长就记不清了。
实际上非常简单,精确率是针对我们预测结果而言的,它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了,一种就是把正类预测为正类(TP),另一种就是把负类预测为正类(FP),也就是
而召回率是针对我们原来的样本而言的,它表示的是样本中的正例有多少被预测正确了。那也有两种可能,一种是把原来的正类预测成正类(TP),另一种就是把原来的正类预测为负类(FN)。
其实就是分母不同,一个分母是预测为正的样本数,另一个是原来样本中所有的正样本数。
<img src="https://pic3.zhimg.com/50/d701da76199148837cfed83901cea99e_hd.png" data-rawwidth="400" data-rawheight="727" class="content_image" width="400">在信息检索领域,精确率和召回率又被称为
在信息检索领域,精确率和召回率又被称为查准率和查全率,
查准率=检索出的相关信息量 / 检索出的信息总量
查全率=检索出的相关信息量 / 系统中的相关信息总量
二.举个栗子
假设我们手上有60个正样本,40个负样本,我们要找出所有的正样本,系统查找出50个,其中只有40个是真正的正样本,计算上述各指标。
TP: 将正类预测为正类数 40
FN: 将正类预测为负类数 20
FP: 将负类预测为正类数 10
TN: 将负类预测为负类数 30
准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
精确率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3
除此之外,还有ROC曲线,PR曲线,AUC等评价指标,可以参见我的博客:机器学习性能评估指标
作者:Charles Xiao
链接:https://www.zhihu.com/question/19645541/answer/91694636
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
纠正下,精确率(precision)和准确率(accuracy)是不一样的,题主问的应该是精确率与召回率之间的差别。
一.定义辨析
刚开始接触这两个概念的时候总搞混,时间一长就记不清了。
实际上非常简单,精确率是针对我们预测结果而言的,它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了,一种就是把正类预测为正类(TP),另一种就是把负类预测为正类(FP),也就是
而召回率是针对我们原来的样本而言的,它表示的是样本中的正例有多少被预测正确了。那也有两种可能,一种是把原来的正类预测成正类(TP),另一种就是把原来的正类预测为负类(FN)。
其实就是分母不同,一个分母是预测为正的样本数,另一个是原来样本中所有的正样本数。
<img src="https://pic3.zhimg.com/50/d701da76199148837cfed83901cea99e_hd.png" data-rawwidth="400" data-rawheight="727" class="content_image" width="400">在信息检索领域,精确率和召回率又被称为
在信息检索领域,精确率和召回率又被称为查准率和查全率,
查准率=检索出的相关信息量 / 检索出的信息总量
查全率=检索出的相关信息量 / 系统中的相关信息总量
二.举个栗子
假设我们手上有60个正样本,40个负样本,我们要找出所有的正样本,系统查找出50个,其中只有40个是真正的正样本,计算上述各指标。
TP: 将正类预测为正类数 40
FN: 将正类预测为负类数 20
FP: 将负类预测为正类数 10
TN: 将负类预测为负类数 30
准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
精确率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3
除此之外,还有ROC曲线,PR曲线,AUC等评价指标,可以参见我的博客:机器学习性能评估指标
相关文章推荐
- FN、FP、TN、TP、precision、recall
- 论文中的FN FP TN TP
- TP、TN、FP、FN解释说明
- TP、TN、FP、FN、Recall、Miss Rate、MCC、F1 Score 等指标计算
- 分类的评判标准:TP、TN、FP、FN
- [置顶] TP,TN,FP,FN,Precision,Recall,sensitivity,specificity,FPR,TPR,F1值,ROC曲线,PR曲线的解释
- 分类的评判标准:TP、TN、FP、FN
- 敏感度、特异性:TP TN FP FN sensitivity Accuracy
- 准确率precision 召回率recall tp tn fp fn
- [zz]True positives (TP), true negatives (TN), false positives (FP), and false negatives (FN)
- TP TN FP FN
- 机器学习中的Presicison&Recall&Accuracy, FP&TP&FN&TN
- TP FN FP TN
- 评估指标中IoU/precision/recall/tp/fp/fn/tn的个人理解
- TP FN FP TN ROC !! mAP计算
- 【转】FN,FP, TN, TP等
- 一个实例说明Tp,Fp,Fn,Tn,mAP
- TP, TN, FP and FN
- 行人检测评估:从TP、FP、TN、FN到ROC曲线、miss rate
- TP,FP.precision