关于Top-1错误率、Top-1准确率、Top-5错误率、Top-5准确率的实例辨析

论文中是这样解释

和

错误率的： The former is a multi-class classification error, i.e. the proportion of incorrectly classified images; the latter is the main evaluation criterion used in ILSVRC, and is computed as the proportion of images such that the ground-truth category is outside the top-5 predicted categories.

目录

公式先知

实例理解

结论

公式先知

错误率

（所有测试图片中正确标签不在模型输出的最佳标记中的样本数）

总样本数

准确率

（所有测试图片中正确标签在模型输出的最佳标记中的样本数）

总样本数

错误率

（所有测试图片中正确标签不在模型输出的前

个最佳标记中的样本数）

总样本数

准确率

（所有测试图片中正确标签在模型输出的前

个最佳标记中的样本数）

总样本数

实例理解

下面以一个

分类案例理解

与

：

已知

个类别：

假设测试图像共

张：

• 测试图

：

，人工标签：

• 测试图

：

，人工标签：

• 测试图

：

，人工标签：

测试图全部输入模型：

• 测试图

的前

个最佳标记：

（最佳标记为

）

• 测试图

的前

个最佳标记：

（最佳标记为

）

• 测试图

的前

个最佳标记：

（最佳标记为

）

则：

错误率

准确率

错误率

准确率

结论

和

错误率（或准确率） 是深度学习中评价模型预测错误率的两个指标。

1. 一般来说，

和

的错误率越低（或准确率越高），模型的性能也就越好。

1. 一般而言，

的错误率在数值上会比

错误率的数值要小，毕竟从

个结果里猜对的几率要比只从

个结果里猜对的几率要大嘛！