無論是官方文檔還是各位大神的論文或搭建的網(wǎng)絡很多都是計算準確率，很少有計算誤判率，

下面就說說怎么計算準確率以及誤判率、召回率等指標

1.計算正確率

獲取每批次的預判正確個數(shù)

train_correct = (pred == batch_y.squeeze(1)).sum()

該語句的意思是 預測的標簽與實際標簽相等的總數(shù)

獲取訓練集總的預判正確個數(shù)

train_acc += train_correct.data[0] #用來計算正確率

準確率 ： train_acc / (len(train_data))

2.誤判率

舉例：當你是二分類時，你需要計算 原標簽為1，但預測為 0 ，以及 原標簽為0，預測為1的 誤判率

誤判率又分為：

CTW : correct to wrong 標簽為正確的，預測為錯誤的

WTC: wrong to correct 標簽為錯誤的，預測為正確的

zes=Variable(torch.zeros(lasize).type(torch.LongTensor))#全0變量

ons=Variable(torch.ones(lasize).type(torch.LongTensor))#全1變量

train_correct01 = ((pred==zes)&(batch_y.squeeze(1)==ons)).sum() #原標簽為1，預測為 0 的總數(shù)

train_correct10 = ((pred==ons)&(batch_y.squeeze(1)==zes)).sum() #原標簽為0，預測為1 的總數(shù)

train_correct11 = ((pred_y==ons)&(batch_y.squeeze(1)==ons)).sum()
train_correct00 = ((pred_y==zes)&(batch_y.squeeze(1)==zes)).sum()

獲取訓練集總的誤判個數(shù)

FN += train_correct01.data[0]

FP += train_correct10.data[0]

TP += train_correct11.data[0]
TN += train_correct00.data[0]

誤判率 ：

(FN+FP)/(len(train_data)) #CTW+WTC

3.精準率和召回率

精準率： 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，當你要計算多分類的誤判率時，只需在二分類的基礎上類推即可

以上這篇Pytorch 計算誤判率,計算準確率,計算召回率的例子就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論