Scikit learn 您能否解释所提供示例的分类报告(召回率和精确度)?
现在我知道很多人问过这个问题,但是,我仍然不太了解sklearn库输出的精确度和回忆分数。以下是示例输出:Scikit learn 您能否解释所提供示例的分类报告(召回率和精确度)?,scikit-learn,classification,confusion-matrix,precision-recall,Scikit Learn,Classification,Confusion Matrix,Precision Recall,现在我知道很多人问过这个问题,但是,我仍然不太了解sklearn库输出的精确度和回忆分数。以下是示例输出: 如果可能的话,有人可以用你能掌握的最简单的语言用以下方式回答我的问题: -精度0.95 False表示模型的精度是多少? -精度0.56 True表示模型的精度是多少? -召回0.88 False对该型号意味着什么? -回忆0.76 True对于该型号意味着什么? 提前谢谢 您有两个不同的类:True或False。想象你有像苹果一样的真和像桔子一样的假 召回是一个指标,它让我们了解相对于
如果可能的话,有人可以用你能掌握的最简单的语言用以下方式回答我的问题:
-精度0.95 False表示模型的精度是多少?
-精度0.56 True表示模型的精度是多少?
-召回0.88 False对该型号意味着什么?
-回忆0.76 True对于该型号意味着什么?
提前谢谢 您有两个不同的类:True或False。想象你有像苹果一样的真和像桔子一样的假 召回是一个指标,它让我们了解相对于数据集/数据库的总数/大小检索到的正确值的总数 所以,假设你有一张30个苹果的照片。此外,您还有一个目标检测系统,其目的是识别/检测图片中的苹果 现在,你的物体检测系统画了50个边界框(图中的矩形),30个包围你所有的苹果,20个包围看起来像那些苹果的桔子 召回,在这种情况下,由公式
TP/(TP+FN)
给出,即真阳性/真阳性+假阴性,为1.0!当然,你的召回率是1.0(或者100%,尽管统计上精确性和召回率的正确值介于0和1之间),因为它检测到了你所有的苹果
因此,在您的示例中,TP=30,FN=0
(图像中没有苹果遗漏)。因此30/(30+0)=1.0
但是,您对结果不满意,因为即使您的目标检测系统正确识别了图像中的所有苹果,它也认为20个橙子是苹果
这里是精度指标。Precision让我们能够洞察已经检索到的苹果(不像Recall那样针对整个数据库),并回答了以下问题:“在已经确定为苹果的数据库中,有多少是真正的苹果?”
我们可以很容易地看到,精确性会惩罚机器学习模型的误报,在我们的例子中,误报是被识别为苹果的橙子
在您的情况下,您将拥有TP/(TP+FP)==30/(30+20)