小编给大家分享一下Pytorch如何计算误判率,计算准确率,计算召回率,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下面让我们一起去了解一下吧!
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
以上是“Pytorch如何计算误判率,计算准确率,计算召回率”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注亿速云行业资讯频道!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。