| 秒懂Precision精确率、Recall召回率 | 您所在的位置：网站首页 › recall指标 › 秒懂Precision精确率、Recall召回率 |
秒懂Precision精确率、Recall召回率
|
经常有同学目标检测评价指标含糊不清这次带你通俗易懂了解该知识
强烈推荐的博客： 更多有用知识，请点我 //☏:qq1309399183// 深度学习视觉必做项目 计算 precision（精确率）**和 recall（召回率）是评估分类模型性能常用的指标之一。以下是一个示例代码，展示如何计算 precision 和 recall。 举例说明假设有一个二分类问题，我们使用一个模型对数据进行分类，并得到了预测结果和真实标签。 预测结果是模型对每个样本的预测结果（1代表正类，0代表负类），真实标签是每个样本的真实类别。 # 预测结果 predictions = [1, 0, 1, 1, 0, 0, 1, 1, 1, 0] # 真实标签 true_labels = [1, 1, 0, 1, 1, 0, 1, 0, 0, 0] 首先，我们需要计算 True Positive（TP）、False Positive（FP）和 False Negative（FN）的数量。TP 是模型预测为正类且真实标签也为正类的样本数量，FP 是模型预测为正类但真实标签为负类的样本数量，FN是模型预测为负类但真实标签为正类的样本数量。 代码 TP = 0 FP = 0 FN = 0 for pred, true in zip(predictions, true_labels): if pred == 1 and true == 1: TP += 1 elif pred == 1 and true == 0: FP += 1 elif pred == 0 and true == 1: FN += 1通过 TP、FP 和 FN 的数量，我们可以计算 precision 和 recall。 precision = TP / (TP + FP) recall = TP / (TP + FN) print("Precision:", precision) print("Recall:", recall)在这个示例中，预测结果和真实标签的对比如下： 预测结果真实标签11011011010011101000 详细解释根据定义 TP 是预测为正类且真实标签也为正类的样本数量，FP 是预测为正类但真实标签为负类的样本数量，FN是预测为负类但真实标签为正类的样本数量 True Positives (TP): 3 第1个样本：预测为1（正），实际为1（正） 第4个样本：预测为1（正），实际为1（正） 第7个样本：预测为1（正），实际为1（正） False Positives (FP): 3 第3个样本：预测为1（正），实际为0（负） 第8个样本：预测为1（正），实际为0（负） 第9个样本：预测为1（正），实际为0（负） False Negatives (FN): 2 第2个样本：预测为0（负），实际为1（正） 第5个样本：预测为0（负），实际为1（正） Precision（精确率）和Recall（召回率）是用于评估二分类模型性能的两个指标，它们分别定义如下：
下面是使用给定的 TP、FP 和 FN 计算 Precision 和 Recall 的代码： # Given values TP = 3 FP = 3 FN = 2 # Calculate Precision and Recall precision = TP / (TP + FP) recall = TP / (TP + FN) # Print the results print("Precision:", precision) print("Recall:", recall)根据给定的 TP、FP 和 FN，计算的结果为： Precision（精确率）: 3 / (3 + 3) = 0.5Recall（召回率）: 3 / (3 + 2) = 0.6这是基于给定数据计算的 Precision 和 Recall。 最后，↓↓↓下面推广，点击可交流！ |
【本文地址】