【机器学习基础】TP,TN,FP,FN,Precision，Recall，PR曲线，AP，MAP，TPR，FPR,ROC曲线，AUC值等的解释

最新推荐文章于 2024-10-10 18:58:12 发布
最新推荐文章于 2024-10-10 18:58:12 发布
阅读量1w 收藏 25
点赞数 4
CC 4.0 BY-SA版权
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gbz3300255/article/details/106917804
本文详细解释了机器学习中的基本概念，包括TP（真正例）、TN（真负例）、FP（假正例）、FN（假负例）及其在混淆矩阵中的作用。此外，还介绍了PR曲线、AP, MAP的计算方法，以及ROC曲线和AUC值的含义，帮助理解模型性能评估。" 107345194,9043025,Win7下Anaconda安装TensorFlow(CPU版)避坑指南,"['python', 'tensorflow', 'anaconda', '深度学习']

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.TP,TN,FP,FN：

    下面两个图说的就很明白了吧。左侧有点混淆矩阵的感觉

    P：标签为正样本。

    N：标签为负样本。

    T：预测对了。

    F：预测错了

    TP：正样本被预测为正样本。

    FN：正样本被预测为负样本。 预测错了呗

    FP：负样本被预测为正样本。 预测错了呗

    TN：负样本被预测为负样本。  

  

 

2.PR曲线计算：

2.1 PR曲线画图要知道P是啥  R是啥。

        正样本精确率为：Precision=TP/(TP+FP)，表示的是  正样本识别正确总数 / 识别为正样本的样本总数

        正样本召回率为：Recall=TP/(TP+FN)，表示的是 正样本识别正确总数 / 正样本的样本总数

   &

最低0.47元/天 解锁文章

200万优质内容无限畅学
【模型评估】Python混淆矩阵、FP、FN、TP、TN、ROC、FROC、mAP、Precision、Recall、Accuracy、F1 score详述与实现
钱多多先森
08-14 4万+
深度学习中，模型评估常用的指标、实现算法汇总。后续还会有几个章节，对其中的各个小点进行详述
【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率
钱多多先森
06-08 9441
对基于固定阈值的混淆矩阵进行了详尽的介绍和代码展示，包括依次引申出来的各个评价指标
机器学习、深度学习评价指标汇总：TP、TN、FP、FN、AP、mAP、IoU、mAP@3、Prec@10、 Acc@10
最新发布
buyaotutou的博客
10-10 2433
真正例 (True Positive, TP)模型正确地将正类（例如，某种疾病存在）预测为正类的实例数量。假正例 (False Positive, FP)模型错误地将负类（例如，某种疾病不存在）预测为正类的实例数量。这通常被称为“误报”。真负例 (True Negative, TN)模型正确地将负类预测为负类的实例数量。假负例 (False Negative, FN)模型错误地将正类预测为负类的实例数量。这通常被称为“漏报”。真正例和真负例反映了模型的正确预测能力。假正例和假负例。
机器学习基础一（TP，TN，FP，FN等）
bangdixie7149的博客
08-27 709
TP：预测为正向（P），实际上预测正确（T），即判断为正向的正确率 TN：预测为负向（N），实际上预测正确（T），即判断为负向的正确率 FP：预测为正向（P），实际上预测错误（F），误报率，即把负向判断成了正向 FN：预测为负向（N），实际上预测错误（F），漏报率，即把正向判断称了负向 准确率Accuracy=（TP+TN） / （TP+FP+TN+FN）， 即预测正确的比...
TP, TN, FP FN
skyfengye的博客
04-23 7958
表示分类正确：True Positive(TP)：本来是正样例，分类成正样例。True Negative(TN)：本来是负样例，分类成负样例。表示分类错误：False Positive (FP)：本来是负样例，分类成正样例，通常叫误报。False Negative(FN)：本来是正样例，分类成负样例，通常叫漏报。 score值 即各个样本属于正例的概率 Dice Similarity Co...
机器学习评价指标合辑(TP/FP/FN/TN/Precision/Recall/F1score/P-R曲线/ROC曲线/AUC)
公众号/知乎: AI算法札记，欢迎关注交流
03-24 1万+
我们训练模型时需要用到各种评价指标，网上很多人的总结要么太凌乱，甚至还有错误，总结一下各种常用的评价指标，以备使用时查阅，如有错误欢迎指出。 1.分类准确率 分类正确的样本占总样本个数的比例。 2.TP/FP/FN/TN 1）True positive(TP): 真正例，将正类正确预测为正类数； 2）False positive(FP): 假正例，将负类错误预测为正类数； 3）Fa...
机器学习基础---分类与检测的评价指标---AP，mAP，PR曲线
热门推荐
xys430381_1的专栏
06-04 1万+
AP和mAP是图像分类任务中的评价方法。 AP 首先，AP也是对所有图片内的某一类来说的。 AP的计算方法： 1、首先使用训练好的模型获得所有测试样本的confideutnce score，每个类别（如person、car等）都会获得一组confidence score，假设现在共有20个测试样本，如下给出这20个样本的id、confidence score、真实标签ground truth la...
cv曲线面积的意义_评价标准专题：常见的TP、TN、FP、FN和PR、ROC曲线到底是什么...
weixin_39918747的博客
10-27 1367
评价标准True positives（TP，真正） : 预测为正，实际为正True negatives（TN，真负）：预测为负，实际为负False positives（FP，假正）: 预测为正，实际为负False negatives（FN，假负）：预测为负，实际为正TPR、FPR和TNRTPR（true positive rate，真正类率，灵敏度，Sensitivity）TPR = TP/(TP...
PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc
07-15
在IT行业中，尤其是在数据分析和机器学习领域，"PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc"这个标题和描述涉及到的是评估分类模型性能的关键概念。这些概念是理解和优化模型不可或缺的...
TP、TN、FP、FN
平平淡淡，戒急用忍，一生学闭嘴。
10-09 1843
True Positive （真正, TP）被模型预测为正的正样本； True Negative（真负 , TN）被模型预测为负的负样本 ； False Positive （假正, FP）被模型预测为正的负样本； False Negative（假负 , FN）被模型预测为负的正样本； True Positive Rate（真正率 , TPR）或灵敏度（sensitivity） TPR = T...
TP FP TN FN
lwq1026的博客
11-02 1316
转自： 作者：Charles Xiao 链接：https://www.zhihu.com/question/19645541/answer/91694636 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 纠正下，精确率(precision)和准确率(accuracy)是不一样的，题主问的应该是精确率与召回率之间的差别。 一
机器学习之参数-P、R、AP、mAP、F1
AndrewPerfect的博客
07-02 1900
调小的同时增大学习率（learning_rate）是一种常用的策略，旨在保持训练速度的同时提高模型的训练质量。可能使得每次迭代中的噪声增加，从而有助于模型跳出局部最小值；而增大的学习率则有助于模型更快地更新权重。预测样本中实际正样本数。预测样本中实际正样本数。
TP TN FP FN(豆包解答，通俗易懂)
2401_84049789的博客
08-07 585
比如说，在一个检测车辆的任务中，如果模型把一辆真实存在的车正确检测出来了，这就是一个 TP；这些概念在评估目标检测模型的性能时非常重要，基于它们可以计算出各种评估指标，如准确率、召回率、F1 值等，以全面衡量模型的检测效果。：指被错误地检测为正例的负例样本数量，也就是误报。举例来说，模型把一个本不存在目标物体的区域错误地判断为存在目标物体。：指被错误地检测为负例的正例样本数量，也就是漏报。例如，模型没有检测出一个实际上存在的目标物体。例如，模型正确检测出了一个确实存在的目标物体。
“深入理解机器学习性能评估指标：TP、TN、FP、FN、精确率、召回率、准确率、F1-score和mAP”
halo的博客
11-06 1万+
通俗来说，准确率回答了“模型总的预测有多准”的问题；召回率回答了“模型对正例的识别能力有多强”的问题；mAP则是用于复杂任务的一个更为全面的评估指标；而F1-score则是尝试将精确率和召回率结合起来，给我们一个更为综合的评估结果。这些指标可以帮助我们更全面地了解模型的性能，从而选择或优化模型。TP：模型说“这个人有病”，实际上这个人也真的有病。TN：模型说“这个人没病”，实际上这个人也确实没病。FP：模型误诊了健康人为病人。FN：模型漏诊了真正的病人。精确率：模型说“有病”的人中，真正有病的比例。
TP　TN　FP　FN含义
weixin_44196792的博客
07-08 2032
FN：False Negative,被判定为负样本，但事实上是正样本。 FP：False Positive,被判定为正样本，但事实上是负样本。 TN：True Negative,被判定为负样本，事实上也是负样本。 TP：True Positive,被判定为正样本，事实上也是证样本。 这里的正样本和负样本与检索的关系就是：你认为为正样本的应该都出现在检索结果中，而你认为为负样本的应该不出现在检索结果...
机器学习-基础知识- TP, FN, FP, TN
zywvvd的博客
05-05 1611
本文介绍机器学习的一系列基础评估指标。 基础定义 T ： True 表示判断正确 F ： False 表示判断错误 P ： PostIve 表示判断该样本为正样本 N ： Negative 表示判断该样本为负样本 指标定义 如果总是记混，按照上述字母顺序翻译出意义即可。 TP ： (T)该判断正确，§判断该样本为正样本（事实上样本为正） TN ： (T)该判断正确，(N)判断该样本...
TP、TN、FP、FN白话解析，看这一篇就够了
Java_Web_Android的博客
11-27 5401
TP、TN、FP、FN通俗易懂 白话理解
【机器学习】TP、TN、FP、FN记忆方法
Vincent Lai的博客
08-30 2440
之前总是搞混True和Positive含义，记录一下记忆方法 TP —— True Positive （真正, TP）被模型预测为正的正样本；True Positive Rate可以称作判断为真的正确率 TN —— True Negative（真负 , TN）被模型预测为负的负样本 ；True Negative Rate可以称作判断为假的正确率 FP ——False Positive （假正...
机器学习模型评估：ROC与PR曲线解析
ROC曲线通过绘制不同分类阈值下的真正例率（True Positive Rate, TPR）与假正例率（False Positive Rate, FPR）来展示模型分类的效果。ROC曲线越靠近左上角，说明模型的分类效果越好。通常还会计算曲线下面积（Area ...
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值