AI分析：查全率，查准率，置信度
以下内容为AI生成，请谨慎甄别
| 中文名称 | 英文名称 | 核心问题 | 理想状态 |
|---|---|---|---|
| 查准率 | Precision | 预测为正例的结果中，有多少是真正正确的？ | 宁缺毋滥 |
| 查全率 | Recall | 所有真正的正例中，有多少被找出来了？ | 一网打尽 |
| 置信度 | Confidence | 模型对这个结果有多大的把握？ | 高置信度往往代表高可靠性 |
1. 查准率
- 英文： Precision
- 别名： 精确率
- 定义：
它衡量的是预测为正类的样本中，有多少是真正的正类。简单来说，就是看模型“猜对了”多少它认为是正确的东西。 - 通俗理解：
如果你去百度搜“苹果”，搜出来的结果（预测为正）一共有10条，其中8条真的是关于苹果的（真正例），那么查准率就是 80%。 - 关注点： “我不关心我漏掉了多少，我只关心我捞上来的这些有多少是对的。”
- 公式： Precision=TPTP+FPPrecision=TP+FPTP
2. 查全率
- 英文： Recall
- 别名： 召回率
- 定义：
它衡量的是实际为正类的样本中，有多少被成功预测出来了。简单来说，就是看模型“漏掉了”多少正确的东西。 - 通俗理解：
全世界一共有100部关于苹果的电影（实际为正），百度只收录（召回）了其中的60部，那么查全率就是 60%。 - 关注点： “我不关心我是不是搜错了，我只关心真正的目标我搜出来了多少。”
- 公式： Recall=TPTP+FNRecall=TP+FNTP
简单记忆法：查准 = 查得 准不准（质量）查全 = 查得 全不全（数量）
3. 置信度
- 英文： Confidence 或 Confidence Score
- 定义：
在机器学习中，置信度通常指模型对其预测结果的概率估计或确定程度。它表示模型认为“这个预测有多大的可能性是正确的”。
在分类任务中：
- 比如一张图片通过Softmax函数输出：
[猫：0.85， 狗：0.10， 猪：0.05]。 - 这里的 0.85 就是模型对“这是一只猫”这个预测的置信度。
在目标检测任务中（最常见）：
- 当模型画出一个框框住某个物体时，通常会附带一个置信度分数。
- 含义： 这个分数代表“这个框里真的有物体的概率”以及“这个物体属于某一类别的概率”的乘积（或综合）。
- 作用： 通常我们会设定一个阈值（如0.5），只保留置信度大于0.5的检测结果。提高阈值可以提升查准率（因为留下的框质量高），但会降低查全率（因为很多模糊的物体被过滤掉了）。