FP,FN,TP,TN与精确率(Precision),召回率(Recall),准确率(Accuracy)

一: FP,FN,TP,TN

刚接触这些评价指标时,感觉很难记忆FP,FN,TP,TN,主要还是要理解,理解后就容易记住了
P(Positive)和N(Negative) 代表模型的判断结果
T(True)和F(False) 评价模型的判断结果是否正确
比如FP:模型的判断是正例(P),实际上这是错误的(F),连起来就是假正例
以此类推:
FP:假正例
FN:假负例
TP:真正例
TN:真负例

二:精确率(Precision),召回率(Recall),准确率(Accuracy)

准确率(Accuracy):这三个指标里最直观的就是准确率: 模型判断正确的数据(TP+TN)占总数据的比例

$Acc = \frac {TP+TN}{TP+TN+FP+FN}$

召回率(Recall): 针对数据集中的所有正例(TP+FN)而言,模型正确判断出的正例(TP)占数据集中所有正例的比例.FN表示被模型误认为是负例但实际是正例的数据.召回率也叫查全率,以物体检测为例,我们往往把图片中的物体作为正例,此时召回率高代表着模型可以找出图片中更多的物体!

$Recall = \frac {TP}{TP+FN}$

精确率(Precision):针对模型判断出的所有正例(TP+FP)而言,其中真正例(TP)占的比例.精确率也叫查准率,还是以物体检测为例,精确率高表示模型检测出的物体中大部分确实是物体,只有少量不是物体的对象被当成物体

$Precision = \frac {TP}{TP+FP}$

区分好召回率和精确率的关键在于:针对的数据不同,召回率针对的是数据集中的所有正例,精确率针对的是模型判断出的所有正例

0%