VOTlt

预测值与真实值的四种关系

真正例（true positive，TP）：正样本被认为是正样本，yes。
真负例（true negative，TN）：负样本被认为是负样本，yes。
假正例（false positive，FP）：负样本被认为是正样本，误检。
假负例（false positive，FN）：正样本被认为是负样本，漏检。

精度（precision，Pr）

计算公式： P r = T P T P + F P Pr=\frac{TP}{TP+FP} Pr=TP+FPTP
解释：预测的结果中，确实是正确的概率。精度越大误检越少。

召回率（recall，Re）

计算公式： R e = T P T P + F N Re=\frac{TP}{TP+FN} Re=TP+FNTP
解释：结果预测出了多少正样本。召回率越大漏检越少。

F-score

计算公式： F = 2 ⋅ P r ⋅ R e P r + R e F = 2 \cdot \frac{Pr \cdot Re}{Pr + Re} F=2⋅Pr+RePr⋅Re ( F 1 F_1 F1score)
解释：高Pr和高Re难以兼得，所以以F-score反映跟踪器的综合性能。

Pr和Re之间trade off的解释

简单来讲，提高Pr和提高Re存在以下的矛盾：
增加Pr的关键是，将分类条件定的苛刻一些，带来的坏处是：本来是正样本（但不那么明显）的被筛除掉；
增加Re的关键是，将分类条件定的松一些，带来的坏处是：疑似正样本的东西一股脑都进箩筐里了。

下面举例说明（例子较冗长）

（顺带一提：
准确率（accuracy，Acc）计算公式： A c c = T P + T N T P + T N + F P + F N Acc=\frac{TP+TN}{TP+TN+FP+FN} Acc=TP+TN+FP+FNTP+TN
Acc、Pr和Re都可以在分类器效果不佳的情况下取得高分：
假设某数据集D包含1000个样本，其中50个是正样本，其余950个是负样本。（数据集正负样本分布不均较为常见））

1.一个简单的二分类器输出1000个预测结果，判断10个是正样本，990个是负样本。预测的10个正样本都是FP（误检），此时TP=0，TN=940，FP=10，FN=50。（一沓糊涂）
A c c = T P + T N T P + T N + F P + F N = 940 1000 = 94 % Acc=\frac{TP+TN}{TP+TN+FP+FN}=\frac{940}{1000}=94\% Acc=TP+TN+FP+FNTP+TN=1000940=94%
P r = T P T P + F P = 0 10 = 0 % Pr=\frac{TP}{TP+FP}=\frac{0}{10}=0\% Pr=TP+FPTP=100=0%
R e = T P T P + F N = 0 50 = 0 % Re=\frac{TP}{TP+FN}=\frac{0}{50}=0\% Re=TP+FNTP=500=0%
一般对于正样本的准确判断是更重要的，不过Acc对正负样本判断赋予的权值一致，在数据集正负样本分布不均的时候，Acc反映不出分类器性能。

2.判断200个是正样本，800个是负样本。预测的200个中，45个确实是正样本。此时，TP=45，TN=795，FP=155，FN=5。(放宽条件，不漏掉想检测出的目标)
P r = T P T P + F P = 45 200 = 22.5 % Pr=\frac{TP}{TP+FP}=\frac{45}{200}=22.5\% Pr=TP+FPTP=20045=22.5%
R e = T P T P + F N = 45 50 = 90 % Re=\frac{TP}{TP+FN}=\frac{45}{50}=90\% Re=TP+FNTP=5045=90%

3.判断35个是正样本，965个是负样本。预测的35个中，33个确实是正样本。此时，TP=33，TN=948，FP=2，FN=17。（严守条件，尽量测出的都是对的）
P r = T P T P + F P = 33 35 ≈ 94 % Pr=\frac{TP}{TP+FP}=\frac{33}{35}\approx94\% Pr=TP+FPTP=3533≈94%
R e = T P T P + F N = 33 50 = 66 % Re=\frac{TP}{TP+FN}=\frac{33}{50}=66\% Re=TP+FNTP=5033=66%

目标跟踪评价指标-精度Pr、召回率Re相关推荐

分类器MNIST交叉验证准确率、混淆矩阵、精度和召回率（PR曲线）、ROC曲线、多类别分类器、多标签分类、多输出分类
本博客是在Jupyter Notebook下进行的编译. 目录 MNIST 训练一个二分类器使用交叉验证测量精度混淆矩阵精度和召回率精度/召回率权衡 ROC曲线多类别分类器错误分析多标签 ...
机器学习中的性能指标：精度、召回率，PR曲线，ROC曲线和AUC，及示例代码
机器学习中的性能指标:精度.召回率.PR曲线,ROC曲线和AUC 精度.召回率基本概念 F-Score 度量曲线 PR曲线 ROC曲线 PR曲线和ROC曲线的比较 AUC 精度.召回率基本概念可 ...
中文分词评价指标——正确率、召回率和F1
中文分词评价指标--正确率.召回率和F1 在机器学习中的模型评价指标有准确率(precision)召回率(recall)准确率(Accuracy)和F值. 二分类的混淆矩阵: 真实值\预测值 Posi ...
精度,精确率,召回率_了解并记住精度和召回率
精度,精确率,召回率 Hello folks, greetings. So, maybe you are thinking what's so hard in precision and recall ...
准确率、精度和召回率
原文链接精度(查准率)和召回率(查全率)是衡量机器学习模型性能的重要指标,特别是数据集分布不平衡的案例中. 什么是分布不平衡的数据集? 倘若某人声称创建一个能够识别登上飞机的恐怖分子的模型,并且准确 ...
python 计算召回率的程序_python实现计算精度、召回率和F1值
python实现计算精度.召回率和F1值摘要:在深度学习的分类任务中,对模型的评估或测试时需要计算其在验证集或测试集上的预测精度(prediction/accuracy).召回率(recall)和F ...
python实现计算精度、召回率和F1值
python实现计算精度.召回率和F1值摘要:在深度学习的分类任务中,对模型的评估或测试时需要计算其在验证集或测试集上的预测精度(prediction/accuracy).召回率(recall) ...
机器学习算法评价指标 recall（召回率）、precision（精度）、F-measure（F值）、ROC曲线、RP曲线
机器学习中算法评价指标总结 recall(召回率).precision(精度).F-measure.ROC曲线.RP曲线在机器学习.数据挖掘.推荐系统完成建模之后,需要对模型的效果做评价. 业内目前 ...
评价指标——精确度，召回率，真阳率，假阳率，P-R曲线，ROC曲线，AUC
1.定义精确度(precision)/查准率:TP/(TP+FP)=TP/P 预测为真中,实际为正样本的概率召回率(recall)/查全率:TP/(TP+FN) 正样本中,被识别为真的概率 ...

目标跟踪评价指标-精度Pr、召回率Re

评价指标