深度学习基础:精确率、召回率理解

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档

文章目录

  • 前言
  • 1. 精确率、召回率理解
  • 总结
  • 参考


前言

在使用Paddle实现手写数字识别时,发现对模型评估标准:精确率(precision)和召回率(recall)有些记不清了,在查找相关定义后,这个做下笔记,分享给大家!


1. 精确率、召回率理解

精 确 率 ( p r e c i s i o n ) = 真 实 正 样 本 被 预 测 为 正 样 本 数 量 ( T P ) 所 有 预 测 为 正 样 本 数 量 ( T P + F P ) 精确率(precision)=\frac{真实正样本被预测为正样本数量(TP)}{所有预测为正样本数量(TP+FP)} precision=TP+FPTP

召 回 率 ( r e c a l l ) = 真 实 正 样 本 被 预 测 为 正 样 本 数 量 ( T P ) 所 有 真 实 正 样 本 数 量 ( T P + F N ) 召回率(recall)=\frac{真实正样本被预测为正样本数量(TP)}{所有真实正样本数量(TP+FN)} recall=TP+FNTP

精确率和召回率的差异就在于分母,精确率分母是预测结果为正样本的数量,召回率分母是所有真实正样本数量。

其实一开始,个人是很不理解为啥叫“召回率”这个名字呢?随着应用和理解的加深,渐渐明白了就是字面意思,所有真实正样本中,预测为正样本的个数占比。

引用知乎【链接】图片可能更加形象,帮助记忆:
深度学习基础:精确率、召回率理解_第1张图片


总结

以上就是个人理解,如果有误,欢迎指正,谢谢!

参考

https://www.zhihu.com/question/19645541

你可能感兴趣的:(深度学习理论,深度学习)