深度学习评估指标：

一.混淆矩阵，准确率，精确率，召回率，F1

【小萌五分钟】机器学习 | 混淆矩阵 Confusion Matrix_哔哩哔哩_bilibili

• 混淆矩阵：

二分类：

多分类：

得到混淆矩阵以后，我们可以根据混淆矩阵衍生出一些指标来评估模型效果：

• 准确率(Accuracy)：

分类器分对了多少？

=（真实类别与预测类别相同的汉堡数/测试集整体的汉堡总数）

• 精确率（Precision）：

假设有一个汉堡图片搜索引擎，返回的图片中正确的有多少？

=（返回图片中是汉堡的图片数/返回图片总数）

• 召回率（Recall）：

假设有一个汉堡图片搜索引擎，有多少张应该返回的图片没有找到？

=（返回图片中是汉堡的图片数/测试集整体的汉堡总数）

• F1：

精确率和召回率：在某种程度上，此消彼长，所以不能一味的要求某一方高，为了解决这个问题引出新参数F1。

注：F1是当取beta=1时（即认为recall和accuracy值同等重要时）的FB值。

精确率和召回率：在某种程度上，此消彼长。

假设一种极端情况，汉堡图片搜索引擎返回测试集中所有图片：

则此时精确率很低，召回率很高。

二.