秒懂Precision精确率、Recall召回率-附代码和案例

• 经常有同学目标检测评价指标含糊不清
• 这次带你通俗易懂了解该知识

强烈推荐的博客：
更多有用知识，请点我
//?:qq1309399183//
深度学习视觉必做项目

计算 precision（精确率）**和 recall（召回率）是评估分类模型性能常用的指标之一。以下是一个示例代码，展示如何计算 precision 和 recall。

举例说明

• 假设有一个二分类问题，我们使用一个模型对数据进行分类，并得到了预测结果和真实标签。

• 预测结果是模型对每个样本的预测结果（1代表正类，0代表负类），真实标签是每个样本的真实类别。

# 预测结果
predictions = [1, 0, 1, 1, 0, 0, 1, 1, 1, 0]

# 真实标签
true_labels = [1, 1, 0, 1, 1, 0, 1, 0, 0, 0]

• 首先，我们需要计算 True Positive（TP）、False Positive（FP）和 False
  Negative（FN）的数量。
• TP 是模型预测为正类且真实标签也为正类的样本数量，FP 是模型预测为正类但真实标签为负类的样本数量，FN是模型预测为负类但真实标签为正类的样本数量。

代码

TP = 0
FP = 0
FN = 0

for pred, true in zip(predictions, true_labels):
    if pred == 1 and true == 1:
        TP += 1
    elif pred == 1 and true == 0:
        FP += 1
    elif pred == 0 and true == 1:
        FN += 1

通过 TP、FP 和 FN 的数量，我们可以计算 precision 和 recall。

precision = TP / (TP + FP)
recall = TP / (TP + FN)

print("Precision:", precision)
print("Recall:", recall)

在这个示例中，预测结果和真实标签的对比如下：

预测结果	真实标签
1	1
0	1
1	0
1	1
0	1
0	0
1	1
1	0
1	0
0	0

详细解释

根据定义
TP 是预测为正类且真实标签也为正类的样本数量，FP 是预测为正类但真实标签为负类的样本数量，FN是预测为负类但真实标签为正类的样本数量
True Positives (TP): 3

第1个样本：预测为1（正），实际为1（正）
第4个样本：预测为1（正），实际为1（正）
第7个样本：预测为1（正），实际为1（正）
False Positives (FP): 3

第3个样本：预测为1（正），实际为0（负）
第8个样本：预测为1（正），实际为0（负）
第9个样本：预测为1（正），实际为0（负）
False Negatives (FN): 2

第2个样本：预测为0（负），实际为1（正）
第5个样本：预测为0（负），实际为1（正）

Precision（精确率）和Recall（召回率）是用于评估二分类模型性能的两个指标，它们分别定义如下：

下面是使用给定的 TP、FP 和 FN 计算 Precision 和 Recall 的代码：

# Given values
TP = 3
FP = 3
FN = 2

# Calculate Precision and Recall
precision = TP / (TP + FP)
recall = TP / (TP + FN)

# Print the results
print("Precision:", precision)
print("Recall:", recall)

根据给定的 TP、FP 和 FN，计算的结果为：

• Precision（精确率）: 3 / (3 + 3) = 0.5
• Recall（召回率）: 3 / (3 + 2) = 0.6

这是基于给定数据计算的 Precision 和 Recall。

最后，↓↓↓下面推广，点击可交流！