文章目录[隐藏]
1、准确度指标
Accuracy准确率：正确预测的正样本和负样本的总数/总数
error_rate：错误预测的正样本和负样本总数/总数
混淆矩阵Confusion Matrix:
每一行之和表示该类别的真实样本数量，每一列之和表示被预测为该类别的样本数量，
例如第一行，第一列数据表示预测是类1是50个，实际对的只有43个
对角线越大，预测效果越好
分类目标
分类目标只有两类：positive正例和negtive负例
True positives(TP)：本身是正例，被预测成正例的个数
False positives(FP): 本身为负例但是被预测为正例的个数
False negatives(FN)：本身为正例但是预测为负例的个数
Ture negatives(TN)：本身为负例被预测为负例的个数
召回率recall：预测为正例的个数除以实际全部的正例的个数之比
Recall=TP/(TP+FN) = TP/P
精确率Precision：预测为真的中实际上也为真的个数占总预测为真的个数之比
Precision = TP / (TP + FP)
平均精度（Average-Precision）:AP值越高，分类越好
用F指标选择阈值：
是关与召回的权重，大于1说明更看重召回的影响，小于1则更看重精度，等于1相当于两者的调和平均，这里得到一个常用的指标F1-Measure。
F1指标：
ROC(受试者工作特征)曲线以及AUC
真正例率和假正例率:
TPR = TP/(TP+FN)
FPR = FP/(FP+TN）
TPR越高，FPR越低分类效果越好
AUC(Area Under Curve)：ROC曲线围住的面积越大，分类器效果越好
EER（Equal Error Rate）：
指的是FNR=FPR的情况，因为FNR=1-TPR，所以在ROC曲线中就是曲线和（0，1）、（1，0）对角线的交点。从漏检和误检的角度，FPR理解为对正样本的漏检率，FNR则是预测为正样本的误检率。EER是均衡考虑这两者时的阈值选定标准
平均精度均值（mAP）:
IOU（Intersection Ober Union）:
版权声明：本文为CSDN博主「博观而约取,厚积而薄发」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/mddCSDN/article/details/121741631
暂无评论