Допустим, у меня есть эти данные:Точность и вспомнить
Right Wrong
oneName 420 60
twoName 200 40
Precison = TP/(TP + FP)
Напомним = TP/(TP + FN)
Учитывая эти данные я понимать, что точность:
420(TP)
420(TP) + 60(FP).
Однако у меня есть трудно понять и calculcating FN, когда вы предположить, чтобы вычислить г ecall. Что такое FN в этом сценарии?
Ваша точность для класса 1 - количество экземпляров, правильно идентифицированных как класс 1 (TP), деленное на общее количество экземпляров, идентифицированных как класс 1 (TP + FP). 420 были правильно идентифицированы как класс 1, но 40 были неправильно идентифицированы как класс 1. Таким образом, ваша точность для класса 1 равна 420/(420 + 40).
Вызов для класса 1 - количество экземпляров, правильно идентифицированных как класс 1 (TP), деленное на общее количество экземпляров класса 1 (TP + FN). 420 были правильно идентифицированы как класс 1, но 60 экземпляров класса 1 были неправильно идентифицированы как класс 2. Таким образом, ваш отзыв для класса 1 равен 420/(420 + 60).
420 + 60 + 200 + 40 - общий объем данных. oneName - это класс 1, который имеет 420 правильных секретных экземпляров, а 60 ошибочных. twoName - класс 2, у которого есть 200 правильных секретных экземпляров, а 40 неправильных. – sockevalley
Итак, 60 классов 1 были определены как класс 2? – Sam
От моего понимания да. Это из примера упражнений. – sockevalley
Не уверен, что я понимаю, что такое oneName и twoName ... это только две строки несвязанных данных? – Sam
В значительной степени. Это может быть Кошка и собака. Не имеет значения. – sockevalley
Я думаю, что я понял это [ссылка] (https://www.quora.com/What-is-the-best-way-to-understand-the-terms-precision-and-recall). Он утверждает: «Итак, напомним, что отношение количества событий, которые вы можете правильно вспомнить, к числу всех правильных событий». Это будет означать, что напомнить 420/620 (420 + 200) – sockevalley