秒懂Precision精确率、Recall召回率-附代码和案例
- 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 |
|---|---|
| 1 | 1 |
| 0 | 1 |
| 1 | 0 |
| 1 | 1 |
| 0 | 1 |
| 0 | 0 |
| 1 | 1 |
| 1 | 0 |
| 1 | 0 |
| 0 | 0 |
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) = 0.5
- Recall（召回率）: 3 / (3 + 2) = 0.6
这是基于给定数据计算的 Precision 和 Recall。