可以说我有这样的数据:准确率和查
Right Wrong
oneName 420 60
twoName 200 40
精一= TP /(TP + FP)
召回= TP /(TP + FN)
鉴于这个数据我了解精度是:
420(TP)
420(TP) + 60(FP).
但是,我很难理解和calculcating FN当你想要计算r紧急呼叫。这种情况下的FN是什么?
可以说我有这样的数据:准确率和查
Right Wrong
oneName 420 60
twoName 200 40
精一= TP /(TP + FP)
召回= TP /(TP + FN)
鉴于这个数据我了解精度是:
420(TP)
420(TP) + 60(FP).
但是,我很难理解和calculcating FN当你想要计算r紧急呼叫。这种情况下的FN是什么?
您的1类精度是通过鉴定为类1(TP + FP)实例的总数除以正确地识别为第1类(TP)的实例的数目。 420被正确识别为第1类,但是40被错误地识别为第1类。因此,您对第1类的精度为420 /(420 + 40)。
回忆类1是正确识别为类1(TP)除以类1实例(TP + FN)的总数的实例的数量。 420被正确识别为第1类,但60第1类实例被错误地识别为第2类。因此,对第1类的召回是420 /(420 + 60)。
420 + 60 + 200 + 40是数据总量。 oneName是具有420个正确分类实例的类1,而60个错误。 twoName是2级,其具有40的同时错误200个正确分类的实例。 – sockevalley
那么1级的60个被确定为2级? – Sam
从我的理解是。这是一个练习的例子。 – sockevalley
不知道我明白了oneName和twoName是......这些只是两行无关的数据吗? – Sam
非常多。它可能是猫和狗。没关系。 – sockevalley
我想我已经从这个链接中找到了它(https://www.quora.com/What-is-the-best-way-to-understand-the-terms-precision-and-recall)。 他声明: “所以,召回是您可以正确回想的许多事件与许多所有正确事件的比率。” 这意味着召回是420/620(420 + 200) – sockevalley