时间:2021-05-22
无论是官方文档还是各位大神的论文或搭建的网络很多都是计算准确率,很少有计算误判率,
下面就说说怎么计算准确率以及误判率、召回率等指标
1.计算正确率
获取每批次的预判正确个数
train_correct = (pred == batch_y.squeeze(1)).sum()
该语句的意思是 预测的标签与实际标签相等的总数
获取训练集总的预判正确个数
train_acc += train_correct.data[0] #用来计算正确率
准确率 : train_acc / (len(train_data))
2.误判率
举例:当你是二分类时,你需要计算 原标签为1,但预测为 0 ,以及 原标签为0,预测为1的 误判率
误判率又分为:
CTW : correct to wrong 标签为正确的,预测为错误的
WTC: wrong to correct 标签为错误的,预测为正确的
zes=Variable(torch.zeros(lasize).type(torch.LongTensor))#全0变量
ons=Variable(torch.ones(lasize).type(torch.LongTensor))#全1变量
train_correct01 = ((pred==zes)&(batch_y.squeeze(1)==ons)).sum() #原标签为1,预测为 0 的总数
train_correct10 = ((pred==ons)&(batch_y.squeeze(1)==zes)).sum() #原标签为0,预测为1 的总数
train_correct11 = ((pred_y==ons)&(batch_y.squeeze(1)==ons)).sum()
train_correct00 = ((pred_y==zes)&(batch_y.squeeze(1)==zes)).sum()
获取训练集总的误判个数
FN += train_correct01.data[0]
FP += train_correct10.data[0]
TP += train_correct11.data[0]
TN += train_correct00.data[0]
误判率 :
(FN+FP)/(len(train_data)) #CTW+WTC
3.精准率和召回率
精准率: P = TP/ (TP+FP)
召回率: R = TP/ (TP+FN)
4.真正例率和假正例率
真正例率:TPR = TP/ (TP+FN)
假正例率:FPR =FP/ (FP+TN)
最后,当你要计算多分类的误判率时,只需在二分类的基础上类推即可
以上这篇Pytorch 计算误判率,计算准确率,计算召回率的例子就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
分类器平均准确率计算:correct=torch.zeros(1).squeeze().cuda()total=torch.zeros(1).squeeze()
垃圾网页识别技术的评价。对垃圾网页识别的技术实现效果好不好需要有评价指标,常见的评价指标通常有准确率、召回率和F1测度这3种。准确率被定义为实际正确被判断为垃圾
近日,腾讯优图在国际权威的计算机视觉算法评测平台KITTI中,将cartrackingbenchmark测试上的车辆追踪准确率提升至87.76%,一举打破图森(
开发植物识别app的用途有: 1、识别准确率高,植物识别准确率高,包括植物的种属、原生地、种类等,用户都能直接看到。 2、拍照识别,打开植物识别APP拍照,
关于Pytorch的MNIST数据集的预处理详解MNIST的准确率达到99.7%用于MNIST的卷积神经网络(CNN)的实现,具有各种技术,例如数据增强,丢失,