Pytorch 计算误判率,计算准确率,计算召回率的例子

yipeiwu_com6年前Python基础

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,也希望大家多多支持【听图阁-专注于Python设计】。

相关文章

使用python加密自己的密码

有些时候我们不得不在自己的代码里写上密码,为了安全起见,我们可以为自己的密码加密 先上段代码,这个代码是转自网上 root@ProFtp:/usr/lib/python2.7# mo...

python装饰器使用方法实例

什么是python的装饰器? 网络上的定义:装饰器就是一函数,用来包装函数的函数,用来修饰原函数,将其重新赋值给原来的标识符,并永久的丧失原函数的引用。 最能说明装饰器的例子如下: 复制...

Python3实现将一维数组按标准长度分隔为二维数组

如下所示: def trans_data_to_pair(self,data,index): contents=[ data[i:i+index] f...

django基础学习之send_mail功能

前言 我们知道python中smtplib模块用于邮件的功能,而django对这个这模块进行封装,使得它使用起来十分简单。 django.core.mail就是django邮件的核心模...

通过python扫描二维码/条形码并打印数据

需提前安装好pyzbar和opencv-python库(博主的电脑安装opencv-python库比较麻烦,但大部分都不会出现该问题) 安装方法:打开命令框输入 pip install...