建设银行网站用什么字体,网站建站后维护需要做哪些,如何用记事本做网站,广东省住房和城乡建设厅官网查证在Yolov5训练完之后会有很多图片#xff0c;它们的具体含义是什么呢#xff1f; 通过这篇博客#xff0c;你将清晰的明白什么是精确率、召回率。这个专栏名为白话机器学习中数学学习笔记#xff0c;主要是用来分享一下我在 机器学习中的学习笔记及一些感悟#xff0c;也希… 在Yolov5训练完之后会有很多图片它们的具体含义是什么呢 通过这篇博客你将清晰的明白什么是精确率、召回率。这个专栏名为白话机器学习中数学学习笔记主要是用来分享一下我在 机器学习中的学习笔记及一些感悟也希望对你的学习有帮助哦感兴趣的小伙伴欢迎私信或者评论区留言这一篇就更新一下《 白话机器学习中的数学——精确率与召回率》** 文章目录一、计算公式二、详细分析2.1精确率2.2召回率一、计算公式
1. 精确率 2.召回率 3. F值
二、详细分析
2.1精确率
在上一篇文章中我们已经知道了精度的计算公式 一般来说只要计算出这个 Accuracy 值基本上就可以掌握分类结果整体的精度了。但是有时候只看这个结果会有问题所以还有别的指标。 比如下面这个例子 假设图中的圆点是 Positive 数据、叉号是Negative 数据我们来考虑一下数据量极其不平衡的情况。 假设有 100 个数据其中 95 个是 Negative。那么哪怕出现模型把数据全部分类为 Negative 的极端情况Accuracy 值也为 0.95也就是说模型的精度是 95%。但是不管精度多高一个把所有数据都分类为 Negative 的模型不能说它是好模型吧遇到这种情况只看整体的精度看不出来问题。 所以要引入别的指标。这些指标稍微有点复杂结合具体的数据来看更好理解所以我们用这个例子来说明吧 这个例子看上去对 Positive 数据分类得不够好。首先我们来看第一个指标——精确率。它的英文是 Precision。 这个指标只关注 TP 和 FP。根据表达式来看它的含义是在被分类为 Positive 的数据中实际就是 Positive 的数据所占的比例。代入数值来计算看看。 这个值越高说明分类错误越少。 拿这个例子来说虽然被分类为 Positive 的数据有 3 个但其中只有 1 个是分类正确的。所以计算得出的精确率很低。
2.2召回率
还有一个指标是召回率英文是 Recall。 把精确率分母上的 FP 换成 FN 就是它了。这个指标只关注 TP 和 FN。根据表达式来看它的含义是在Positive 数据中实际被分类为 Positive 的数据所占的比例 我们运用公式可以计算出来当前的召回率 这个值越高说明被正确分类的数据越多。 拿这个例子来说虽然 Positive 数据共有 5 个但只有 1 个被分类为 Positive。所以计算得出的召回率也很低。 基于这两个指标来考虑精度是比较好的。 精确率和召回率都很高的模型就认为是一个好模型但是在实际情况下精确率和召回率会一个高一个低需要我们取舍。
