【深度學習】Precision 和 Recall 評價指標理解

1. 四種情況

Precision精確率， Recall召回率，是二分類問題常用的評價指標。混淆矩陣如下：

T和F代表True和False，是形容詞，代表預測是否正確。

P和N代表Positive和Negative，是預測結果。

	預測結果為陽性 Positive	預測結果為假陽性 Negative
預測結果正確 True	TP	TN
預測結果錯誤 False	FP	FN

通常關注的類為正類，其他類為負類。（以貓狗二分類為例，現在關注狗的precision和recall）

TP	正類預測為正類（預測出狗的圖片實際標注也是狗）
FN	正類預測為負類（預測出貓的圖片實際標注是狗）
FP	負類預測為正類（預測出狗的圖片實際標注是貓）
TN	負類預測為負類（預測出貓的圖片實際標注是貓）

T, F 代表的是圖片對應的標簽，說明是否正確。

P, N 代表的模型預測出來的結果是對的還是錯的。

2. Precision

精確率計算公式：

\[P=\frac{TP}{TP+FP} \]

理解：

TP+FP: 也就是全體Positive， 也就是預測的圖片中是正類的圖片的數目

TP: 也就是正類也被預測為正類的圖片的個數

總之：預測正確的圖片個數占總的正類預測個數的比例（從預測結果角度看，有多少預測是准確的）

3. Recall

召回率計算公式：

\[R=\frac{TP}{TP+FN} \]

理解：

TP+FN: 也就是全體完全滿足圖片標注的圖片的個數

TP：正類被預測為正類的圖片個數

總之：確定了正類被預測為正類圖片占所有標注圖片的個數（從標注角度看，有多少被召回）

4. 二分類舉例

還是以貓狗二分類為例，測試集一共有20張狗， 20張貓的圖片的標注圖片（狗為正例），模型預測出其中有16張圖片是狗，其中14張圖片標注確實為狗，剩下兩張圖片標注為貓。

對於貓來說，剩下的24張圖片是貓，其中有6張是狗，18張是貓。

	Positive	Negative	All
True	TP: 14	TN: 18	32
False	FP: 2	FN: 6	8
All	16	24	40

所以可以進行計算了

\[precision = \frac{TP}{TP+FP} = \frac{14}{14+2} \]

\[recall = \frac{TP}{TP+FN} = \frac{14}{14+6} \]

5. 多分類舉例

該例引用自：https://www.itcodemonkey.com/article/9521.html

Class1	Actual_Class1	Actual_Class2	Actual_Class3
Predicted_Class1	30	20	10
Predicted_Class2	50	60	10
Predicted_Class3	20	20	80

比如我們對class2進行計算：

class2-TP：標簽為class2, 預測為class2 = 60

class2-FN: 標簽為class2, 預測不是class2 = 20+20 = 40

class2-FP: 標簽不為class2, 預測為class2 = 50 + 10 = 60

class2-TN: 標簽不為class2, 預測也不是class2 = 30+10+20+80 = 140

6. 其他指標

F1 值是precision和recall調和平均值：

\[\frac{2}{F_1} = \frac{1}{P} + \frac{1}{R} \]

\[F_1 = \frac{2TP}{2TP+FP+FN} \]