目录前言一.准确率二.精准率三.召回率四.精准率和召回率的关系，F1分数五.F1分数六.灵敏度和特异度七.真正率和假正率八.ROC曲线前言  最近在看到这些词得时候老是混淆，看了之后还很容易遗忘，于是查了些资料把他们记录下来。我们在设计深度学习网络模型的时候经常要对其进行评估，评估就要用到这些东西，在接介绍这个率，那个率之前，我先来介绍下什么是混淆矩阵，如下表所示：混淆矩阵：P（Positive）：代表1N（Negative）：代表0T（True）：代表预测正确F（False）：代表预测错误TP：预测为1，预测正确，即实际1FP：预测为1，预测错误，即实际0FN：预测为0，预测错误，即实际1T

在你的数据科学生涯的开始，混淆矩阵会非常混乱，我们会有很多问题，比如什么时候使用精度？什么时候使用召回？在哪些情况下可以使用精度？因此，我将尝试在本博客中回答这些问题。什么是混淆矩阵？混淆矩阵是一种将预测结果和实际值以矩阵形式汇总的方法，用来衡量分类问题的性能。在这里，我们将预测表示为Positive§或Negative(N)，将真值表示为True(T)或False(F)。将真实值和预测值一起表示，我们得到真阳性(TP)、真阴性(TN)、假阳性(FP)和假阴性(FN)。那么什么是TP、TN、FP和FN？这里我们将考虑一个怀孕测试的例子，一个真正的孕妇和一个胖男人咨询医生，测试结果如下图所示。T

一底层技术的分析与预判1.1广告召回概述广告召回本质上是一种数据处理过程，可以使用常见的数据处理模型来分析其特性。为了方便理解，本文仅选取读、写、性能要求来分析广告召回系统。读场景广告召回多为大规模在线计算，需要处理较为复杂的数据查询逻辑，如多表join、表内聚合等计算，这与OLAP系统比较类似广告召回要求在高并发读的场景下保持低时延、高性能，这与OLTP系统的设计目标较为吻合广告召回的流程、逻辑相对固定，但每次pv的请求参数不同，与OLTP场景比较接近。写场景广告数据大多要求具备“行粒度事务写”的能力，且数据变化较快，这一点与OLTP系统的设计目标较为吻合综合来看，广告召回系统与OLTP系统

1、TP、FP、TN、FN概念在对数据进行预测的时候，往往有以下几个概念：TP、FP、TN、FN。什么意思呢？即预测情况（PositiveorNegtive）是否真正反应真实情况的关系：看下面这解析你就懂了！TP：TruePositive，预测的是正样本，且正确预测。FP：FalsePositive，预测的是正样本，但错误预测。即误检TN：TrueNegative，预测的是负样本，且正确预测。FN：FalseNegative，预测的是负样本，但错误预测。即漏检扩展：TP+FN：正样本的总和，正确检测正样本+漏检数。FP+TN：负样本的总和，正确检测负样本+误检数。TP+TN：正确分类总和，正确

文章目录混淆矩阵召回率与准确率准确度Accuracysklearn代码示例混淆矩阵混淆矩阵（ConfusionMatrix）：将分类问题按照真实情况与判别情况两个维度进行归类的一个矩阵，如在二分类问题中就是一个2*2的矩阵：TP（TruePositive）:表示实际为真预测为真FP（FalsePositive）:表示实际为假预测为真(误报)TN（TrueNegative）:表示实际为假预测为假FN（FalseNegative）:表示实际为真预测为假(漏报)召回率与准确率召回率=TP/(TP+FN)准确率=TP/(TP+FP)一个池塘有10条鱼和20只小龙虾，渔夫打鱼，捞上8条鱼和12只龙虾，那

我正在处理情感分析问题，数据如下所示:labelinstances511904838323912042127所以我的数据自1190instances以来是不平衡的标有5.对于使用scikit的分类Im的SVC.问题是我不知道如何以正确的方式平衡我的数据，以便准确计算多类案例的准确率、召回率、准确率和f1分数。所以我尝试了以下方法:首先:wclf=SVC(kernel='linear',C=1,class_weight={1:10})wclf.fit(X,y)weighted_prediction=wclf.predict(X_test)print'Accuracy:',accuracy

我正在处理情感分析问题，数据如下所示:labelinstances511904838323912042127所以我的数据自1190instances以来是不平衡的标有5.对于使用scikit的分类Im的SVC.问题是我不知道如何以正确的方式平衡我的数据，以便准确计算多类案例的准确率、召回率、准确率和f1分数。所以我尝试了以下方法:首先:wclf=SVC(kernel='linear',C=1,class_weight={1:10})wclf.fit(X,y)weighted_prediction=wclf.predict(X_test)print'Accuracy:',accuracy

目标检测YOLOv5-如何提高模型的指标，提高精确率，召回率，mAP等flyfish文中包括了YOLOv5作者分享的提高模型指标小技巧和吴恩达（AndrewNg）在做缺陷检测项目（steelsheetsfordefects）时遇到的需要提高模型指标的问题是如何解决的。1YOLOv5获得最佳训练效果指南大多数情况下，只要数据集足够大且良好标注(providedyourdatasetissufficientlylargeandwelllabelled)，就可以在不更改模型或训练设置的情况下获得良好的结果。如果一开始没有得到好的结果，在考虑任何更改之前，首先使用所有默认设置进行训练。这有助于建立性能

      其中，TP表示正类数预测为正类数的个数；FP为负类数预测为正类数的个数；FN为正类数预测为负类数的个数；TN为负类数预测为负类数的个数。附上python代码：#coding=utf-8importmatplotlib.pyplotaspltimportnumpyasnpconfusion=np.array(([190,0,0,0,0,0,0,0,0,0,10,0,0,0,0],[0,200,0,0,0,0,0,0,0,0,0,0,0,0,0],[0,0,200,0,0,0,0,0,0,0,0,0,0,0,0],[0,0,0,199,0,0,0,1,0,0,0,0,0,0,0],[0

一文看懂推荐系统：召回05：矩阵补充、最近邻查找，工业界基本不用了，但是有助于理解双塔模型提示：最近系统性地学习推荐系统的课程。我们以小红书的场景为例，讲工业界的推荐系统。我只讲工业界实际有用的技术。说实话，工业界的技术远远领先学术界，在公开渠道看到的书、论文跟工业界的实践有很大的gap，看书学不到推荐系统的关键技术。看书学不到推荐系统的关键技术。看书学不到推荐系统的关键技术。王树森娓娓道来**《小红书的推荐系统》**GitHub资料连接：http://wangshusen.github.io/B站视频合集：https://space.bilibili.com/1369507485/chann