Pytorch 计算误判率,计算准确率,计算召回率的例子
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
您可能感兴趣的文章:
- [搜索]一种改进的召回率准确率公式计算方式
- [搜索]一种改进的召回率准确率公式计算方式
- 使用LogisticRegression和SGDClassifier对良/恶性肿瘤进行分类,并计算出准确率召回率和F1的值
- 实习点滴(11)--TensorFlow快速计算“多分类问题”的混淆矩阵以及精确率、召回率、F1值、准确率
- Spark随机森林算法对数据分类(一)——计算准确率和召回率
- mahout计算一个简单的推荐程序的准确率和召回率
- Recall(召回率) Precision(准确率) F-Measure E值 sensitivity(灵敏性) specificity(特异性)漏诊率 误诊率 ROC AUC
- Recall(召回率);Precision(准确率);F1-Meature(综合评价指标);true positives;false positives;false negatives..
- 准确率、召回率、F1
- 准确率(Precision)、召回率(Recall)以及综合评价指标(F1-Measure )
- 关于召回率和准确率的理解
- 推荐系统评测指标--准确率(Precision)和召回率(Recall)、F值(F-Measure)
- 算法理解-粒子群算法(一个计算例子)
- 召回率 和 准确率
- 如何分训练集和测试集,如何算召回率和准确率?
- C++之父表达式计算例子
- Airbnb欺诈预测机器学习模型设计:准确率和召回率的故事
- Spark Mllib里决策树回归分析使用.rootMeanSquaredError方法计算出以RMSE来评估模型的准确率(图文详解)
- 『PyTorch』第五弹_深入理解Tensor对象_中下:数学计算以及numpy比较_&_广播原理简介
- 信息检索(IR)的评价指标介绍-准确率、召回率、F1、mAP、ROC、AUC