深度学习评估参数

True Positive(TP)：原来是正样本，预测结果为正样本；目标识别中，把目标给框出来了
True Negative(TN)：原来是负样本，预测结果为负样本；目标识别中，负样本就是背景之类
False Positive(FP)：原来是负样本，预测结果为正样本→ 误报 (Type I error)；目标识别中，把背景识别成某个目标了
False Negative( FN)：原来是正样本，预测结果为负样本→漏报 (Type II error)。目标识别中，没有把目标识别出来，把他看成是背景了

 

• 精确率（Precision），又称为“查准率”。精确率是针对预测结果而言的，表示的是预测结果的正样本中真正的正样本占比。那么预测为正就有两种可能，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)，

• 召回率（Recall），又称为“查全率”。召回率是针对待测试的验证样本而言的，它表示的是待测试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)，

TP+FN，即是待测试样本中正样本的数目。

 

• 准确率(accuracy)

在正负样本不平衡的情况下，准确率评价指标存在很大的缺陷。比如互联网某些广告的点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc 也有 99% 以上，没有意义。

 

例子
假设待测试的验证集中有60个正样本，40个负样本，验证的目的是希望模型系统找出所有的正样本，模型系统查找出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) = 预测对的正样本和负样本/所有 = (TP+TN)/(TP+FN+FP+TN) =(40+30)/(40+20+10+30)=70%
精确率(precision) = 预测对的正样本/预测出来的数目=TP/(TP+FP) = 80%
召回率(recall) = 预测对的正样本/原测试样本中正样本个数=TP/(TP+FN) = 2/3