learning
/
DeepLearning-500-questions
mirror of https://github.com/scutan90/DeepLearning-500-questions.git
1
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity

完善第九小节内容

This commit is contained in:
kimi 2018-11-16 00:56:52 +08:00
parent 9e66875732
commit 0ce2f956d3
1 changed files with 7 additions and 2 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

9
ch18_后端架构选型、离线及实时计算/第十八章_后端架构选型、离线及实时计算.md
View File

@ -296,7 +296,8 @@ Github地址：https://github.com/uber/petastorm
  正确率、召回率和 F 值是在鱼龙混杂的环境中，选出目标的重要评价指标。不妨看看这些指标的定义先：   正确率、召回率和 F 值是在鱼龙混杂的环境中，选出目标的重要评价指标。不妨看看这些指标的定义先：
1. 正确率 = 提取出的正确信息条数 / 提取出的信息条数 1. 正确率 = 提取出的正确信息条数 / 提取出的信息条数
2. 召回率 = 提取出的正确信息条数 / 样本中的信息条数 2. 召回率 = 提取出的正确信息条数 / 样本中的信息条数
  两者取值在0和1之间，数值越接近1，查准率或查全率就越高。   两者取值在0和1之间，数值越接近1，查准率或查全率就越高。
@ -306,13 +307,17 @@ Github地址：https://github.com/uber/petastorm
  不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：   不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：
正确率 = 700 / (700 + 200 + 100) = 70% 正确率 = 700 / (700 + 200 + 100) = 70%
召回率 = 700 / 1400 = 50% 召回率 = 700 / 1400 = 50%
F值 = 70% * 50% * 2 / (70% + 50%) = 58.3% F值 = 70% * 50% * 2 / (70% + 50%) = 58.3%
  不妨看看如果把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化：   不妨看看如果把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化：
正确率 = 1400 / (1400 + 300 + 300) = 70% 正确率 = 1400 / (1400 + 300 + 300) = 70%
召回率 = 1400 / 1400 = 100% 召回率 = 1400 / 1400 = 100%
F值 = 70% * 100% * 2 / (70% + 100%) = 82.35% F值 = 70% * 100% * 2 / (70% + 100%) = 82.35%
  由此可见，正确率是评估捕获的成果中目标成果所占得比例；召回率，顾名思义，就是从关注领域中，召回目标类别的比例；而F值，则是综合这二者指标的评估指标，用于综合反映整体的指标。   由此可见，正确率是评估捕获的成果中目标成果所占得比例；召回率，顾名思义，就是从关注领域中，召回目标类别的比例；而F值，则是综合这二者指标的评估指标，用于综合反映整体的指标。
@ -341,7 +346,7 @@ F值 = 70% * 100% * 2 / (70% + 100%) = 82.35%
  b越大，表示查准率的权重越大。   b越大，表示查准率的权重越大。
### 18.9.4 平均正确率（Average Precision, AP） ### 18.9.4 平均正确率（Average Precision）
  平均正确率表示不同查全率的点上的正确率的平均。   平均正确率表示不同查全率的点上的正确率的平均。