1.混淆矩阵

混淆矩阵其实就是一张表格,比如下面程序通过python sklearn 计算混淆矩阵

from sklearn.metrics import confusion_matrix
y_true = ["cat", "ant", "cat", "cat", "ant", "bird"]
y_pred = ["ant", "ant", "cat", "cat", "ant", "cat"]
confusion_matrix(y_true, y_pred, labels=["ant", "bird", "cat"])
输出:array([[2, 0, 0],[0, 0, 1],[1, 0, 2]])

预测

recall

ant

bird

cat

ant

2

0

0

100%

bird

0

0

1

0%

cat

1

0

2

66.67%

precision

66.67%

0%

66.67%

precision: 表示的是预测对的在总预测样本中的比值-------精确率

recall:表示预测对的在实际样本中的比值---------------------查全率

2. average accuracy(AA)

AA其实就是每个类recall的和的平均值.上述的AA的值则为(100+0+66.67)/3 = 55.56%

通用公式就是:i表示的是类别数.

                

参考链接:

https://blog.csdn.net/qq_41683065/article/details/99776506

分类评价标准之average accuracy(AA)相关推荐

  1. 二分类最优阈值确定_分类模型评价标准,AUC还是Macro F1?

    在人工智能领域,分类任务占据了很大的比例,例如物体识别(计算机视觉).信用卡欺诈(数值型预测).情感分析(自然语言处理)等等.针对众多的分类需求,模型的评价标准只是简单的准确率(Accuracy)吗? ...

  2. 目标检测评价标准(mAP, 精准度(Precision), 召回率(Recall), 准确率(Accuracy),交除并(IoU))

    1. TP , FP , TN , FN定义 TP(True Positive)是正样本预测为正样本的数量,即与Ground truth区域的IoU>=threshold的预测框 FP(Fals ...

  3. 目标检测评价标准 精准度(precision)、召回率(recall)、准确率(accuracy)、交除并(IoU)【全】

    引用文章:目标检测评价标准 评价训练效果的值--精准度(precision).召回率(recall).准确率(accuracy).交除并(IoU) TP是正样本预测为正样本 FP是负样本预测为正样本 ...

  4. 机器学习分类常见评价标准

    目录 1.准确率(Accuracy) 2.精确率(Precision) 3.召回率(Recall) 4.PR曲线与F1值(F1 Score) 5.ROC曲线与AUC 评价分类器性能的指标一般是分类准确 ...

  5. 复练-软考网规-IDS和IPS概念、分类、评价标准

    时间戳:2020年10月13日15:44:01 前情提要:IDS和IPS概念.分类.评价标准 IDs是英文" Intrusion Detection Systems'的缩写,中文意思是&qu ...

  6. Re-ID的评价标准

    一.Re-ID的评价标准类型 Re-ID常用的评价准则为:mAP, CMC.一般的方法为:已知:一个在训练集上训练好的模型,一个query( 用于查询的集 ),一个gallery( 在其中搜索结果,或 ...

  7. 目标检测/图像分割 评价标准IOU/准确率及精确率

    评价标准 目标检测和图像分割的评价标准是一样的,核心都是使用IOU标准 IOU(Intersection-Over-Union) OU即Intersection-Over-Union,IoU相当于两个 ...

  8. python的roc曲线与阈值_ROC曲线-阈值评价标准

    ROC曲线指受试者工作特征曲线 / 接收器操作特性曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性 ...

  9. 目标跟踪VOT2016 BenchMark评价标准介绍

    本文转载自Deep Studio,供自己学习使用,谢谢大神的分享! Deep Studio 目标跟踪VOT2016 BenchMark评价标准介绍 by PengChao 现在比较流行的跟踪Benck ...

最新文章

  1. 【Java】6.3 类成员
  2. jQuery HighchartsTableHTML表格转Highcharts图表插件
  3. 感知机数据算法的对偶形式
  4. Windows Embedded Compact 7开发环境的搭建
  5. 小汤学编程之JAVA基础day13——I/O流
  6. 最大概率法分词及性能測试
  7. 一文读懂kafka(附加52道常见面试题)
  8. 自定义事件(如未作说明,本博客文档都是用C#代码)
  9. 第70天-内网安全-域横向内网漫游 Socks 代理隧道技
  10. 数据库update多条数据
  11. 公司邮箱地址格式是什么?邮箱地址怎么写?邮箱地址大全
  12. 新闻抓取门道全面解析
  13. BZOJ[3772]精神污染 二维数点
  14. 京东注册页开发 HTML5 1014
  15. Oracle OMF参数
  16. Android自定义Scrollbar样式
  17. java swing 实现鼠标滑轮聚焦缩放图片
  18. c语言模仿atm源代码,C语言ATM程序模拟
  19. 使用MATLAB绘制Gazebo中的仿真小车的运动轨迹
  20. [PHP响应式营销型万能H5建站系统源码] 免费开源建站利器+可视化自由布局页面

热门文章

  1. IEEE 2030.5智能逆变器实施指南(4)
  2. Win7 64位 下SlikSVN 的安装配置
  3. Linux笔记(1)
  4. 李涛PS高手之路-图片云
  5. 怎样快速画出一个正方体_word中绘制正方体的方法详解步骤
  6. 无功优化的matlab程序,遗传算法的无功优化matlab实现
  7. 大数据浪潮下,企业财务人员应如何提升数据分析能力?
  8. splunk中 如何隐藏input_如何隐藏电脑中的私密文件?试试这个加密方法!
  9. 封面故事:十大创业困境
  10. Linux之用户管理、权限管理、程序安装卸载