記錄準確率(Accuracy)、精確率(Precision)、召回率(Recall)和F1值(F-Measure)計算公式，和如何使用TensorFlow實現

---

一、計算公式

• True Positive(TP)：將正類預測為正類數
• True Negative(TN)：將負類預測為負類數
• False Positive(FP)：將負類預測為正類數
• False Negative(FN)：將正類預測為負類數

1.準確率：

$$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$$

2.精確率：

$$Precision=\frac{TP}{TP+FP}$$

3.召回率：

$$Recall=\frac{TP}{TP+FN}$$

4.F1值

$$F1=\frac{2?Pre?Rec}{Pre+Rec}=\frac{2?TP}{2?TP+FP+FN}$$

---

二、TensorFlow實現

• Accuracy

with tf.name_scope("accuracy"):correct_predictions = tf.equal(self.predictions,self.input_y)self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")

• TN；TP；FN；FP

with tf.name_scope("tn"):tn = tf.metrics.true_negatives(labels=self.input_y, predictions=self.predictions)self.tn = tf.reduce_sum(tf.cast(tn, "float"), name="tn") with tf.name_scope("tp"):tp = tf.metrics.true_positives(labels=self.input_y, predictions=self.predictions)self.tp = tf.reduce_sum(tf.cast(tn, "float"), name="tp") with tf.name_scope("fp"):fp = tf.metrics.false_positives(labels=self.input_y, predictions=self.predictions)self.fp = tf.reduce_sum(tf.cast(fp, "float"), name="fp") with tf.name_scope("fn"):fn = tf.metrics.false_negatives(labels=self.input_y, predictions=self.predictions)self.fn = tf.reduce_sum(tf.cast(fn, "float"), name="fn")

• Recall；Precision；F1

with tf.name_scope("recall"):self.recall = self.tp / (self.tp + self.fn) with tf.name_scope("precision"):self.precision = self.tp / (self.tp + self.fp) with tf.name_scope("F1"):self.F1 = (2 * self.precision * self.recall) / (self.precision + self.recall)

---

總結

以上是生活随笔為你收集整理的NLP-准确率、精确率、召回率和F1值的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。