深度学习_深度学习基础_评价指标ROC、AUC、AP、mAP详解
ROC和AUC
ROC全称是“受试者工作特征”(Receiver Operating Characteristic)。
ROC曲线的面积就是AUC(Area Under Curve)。
AUC用于衡量二分类问题机器学习算法的性能(泛化能力)。
ROC曲线,通过将连续变量设定出多个不同的临界值,从而计算出一系列正真率和假正率,再以假正率为横坐标、正真率为纵坐标绘制成曲线,曲线下面积越大,表示准确率越高。在ROC曲线上,最靠近坐标图左上方的点为真正率和假正率均较高的临界值。
如下图所示:
其中,
FPR(False Positive Rate)公式: T P / ( T P + F N ) TP / (TP + FN) TP/(TP+FN)。
TPR(True Positive Rate)公式: F P / ( F P + T N ) FP / (FP + TN) FP/(FP+TN)。
ROC曲线的四点一线:
第一个点(0,1),即FPR=0, TPR=1,这意味着FN(False Negative)=0,并且FP(False Positive)=0。意味着这是一个 完美的分类器,它将所有的样本都正确分类。
第二个点(1,0),即FPR=1,T PR=0,意味着这是一个最糟糕的分类器,因为它成功避开了所有的正确答案。
第三个点(0,0),即FPR=TPR=0,即FP(False Positive)=TP(True Positive)=0,可以发现该分类器预测所有的样本 都为负样本(Negat ive)。
第四个点(1,1),即FPR=T PR=1,分类器实际上预测所有的样本都为正样本。
经过以上分析,ROC曲线越接近左上角,该分类器的性能越好。
ROC曲线所覆盖的面积称为AUC(Area Under Curve),可以更直观的判断学习器的性能,AUC越大则性能越好。
使用ROC和AUC作为评价指标的优点
ROC曲线有很好的特性:当测试集中的正负样本的分布改变的时候,ROC曲线能够保持不变。而真正率和假正率这两个指标正是ROC和AUC可以无视样本不平衡的原因。
在实际的数据集中经常会出现样本类别不均衡的情况,即正负样本比例差距较大,而且测试数据中的正负样本也可能随着时间变化。
AP
AP(Average-Precision,平均精度):是指P-R曲线围起来的面积,通常来说一个越好的分类器,AP值越高。
AP计算:
在VOC2010以前,只需要选取当Recall >= 0, 0.1, 0.2, …, 1共11个点时的Precision最大值,然后AP就是这11个Precision的平均值。
在VOC2010及以后,需要针对每一个不同的Recall值(包括0和1),选取其大于等于这些Recall值时的Precision最大值,然后计算PR曲线下面积作为AP值。
具体计算细节阅读:mAP计算
mAP
mAP(Mean Average Precision,平均精度均值):是把每个类别的AP都单独拿出来,然后计算所有类别AP的平均值,代表着对检测到的目标平均精度的一个综合度量。
深度学习_深度学习基础_评价指标ROC、AUC、AP、mAP详解相关推荐
- 深度学习之图像分类(二十八)-- Sparse-MLP(MoE)网络详解
深度学习之图像分类(二十八)Sparse-MLP(MoE)网络详解 目录 深度学习之图像分类(二十八)Sparse-MLP(MoE)网络详解 1. 前言 2. Mixture of Experts 2 ...
- 深度学习之图像分类(十九)-- Bottleneck Transformer(BoTNet)网络详解
深度学习之图像分类(十九)Bottleneck Transformer(BoTNet)网络详解 目录 深度学习之图像分类(十九)Bottleneck Transformer(BoTNet)网络详解 1 ...
- 圆形界面 开启相机_「基础篇三」手机摄影拍照界面详解
[基础篇三]手机摄影拍照界面详解 手机拍照对我们来说已习以为常,每天我们都会用手机相机功能或多或少的拍出几张照片.故手机拍照界面对我们来说也不陌生,但手机拍照界面上的那些按钮,那些功能你都用过吗?你 ...
- python的excell库_扣丁学堂Python基础教程之Excel处理库openpyxl详解
扣丁学堂Python基础教程之Excel处理库openpyxl详解 2018-05-04 09:49:49 3197浏览 openpyxl是一个第三方库,可以处理xlsx格式的Excel文件.pipi ...
- python可以处理多大的数据_科多大数据之Python基础教程之Excel处理库openpyxl详解...
原标题:科多大数据之Python基础教程之Excel处理库openpyxl详解 科多大数据小课堂来啦~Python基础教程之Excel处理库openpyxl详解 openpyxl是一个第三方库,可以处 ...
- 离线强化学习(Offline RL)系列3: (算法篇) IQL(Implicit Q-learning)算法详解与实现
[更新记录] 论文信息:Ilya Kostrikov, Ashvin Nair, Sergey Levine: "Offline Reinforcement Learning with Im ...
- 神经网络学习小记录39——MobileNetV3(small)模型的复现详解
神经网络学习小记录39--MobileNetV3(small)模型的复现详解 学习前言 什么是MobileNetV3 代码下载 large与small的区别 MobileNetV3(small)的网络 ...
- 65.深度解密网络项目三:抖音起名项目整体步骤详解
网络营销推广技术.技巧深度解密(网络项目三)指南: 1.本文档适合零基础以及互联网营销推广工作者,主要讲解关于抖音起名项目的问题. 2.原创版权文档,任何抄袭或者全部.部分模仿都是侵权行为. 3.敬畏 ...
- JDBC学习笔记01【JDBC快速入门、JDBC各个类详解、JDBC之CRUD练习】
黑马程序员-JDBC文档(腾讯微云)JDBC笔记.pdf:https://share.weiyun.com/Kxy7LmRm JDBC学习笔记01[JDBC快速入门.JDBC各个类详解.JDBC之CR ...
- 学习组合模式,转载一段有关组合模式的详解
学习组合模式,转载一段有关组合模式的详解,从定义中可以看出,组合模式用来表示部分与整体的层次结构(类似于树结构),而且也可以使用户对单个对象(叶子节点)以及组合对象( 飞 ...
最新文章
- html5初探ppt,HTML5---HTML5初探151019解析.ppt
- php 字符串转换xml,php 数组转xml字符串、xml字符串转数组方法案例
- 28. 实现 strStr()---LeetCode---JAVA(今天又是一行超人)
- 【51nod - 1050】循环数组最大子段和(dp)
- 之前8年都在上班工资16000,厌倦了天天上班的日子,就裸辞了。现在很迷茫,下一步怎么办?
- 修改linux最大文件句柄数
- 开源跨平台计算机视觉库OpenCV 4.0正式发布
- LDA线性判别原理解析<数学推导>
- Android手机投屏后没有声音,安卓手机镜像投屏没有声音解决办法
- 20个免费和高质量的Android图标集—最佳
- 《爱的五种能力》读书笔记
- five86-2靶机渗透攻略
- zigbee判断首次入网
- 数字电网白皮书 附下载
- 虚拟化操作系统ESXi 6.7安装配置详细步骤
- 从富士音乐节看O2O音乐的未来
- 医学免疫学 Chapter4:抗体
- 瀚高数据库日志挖掘方法
- Flutter学习笔记 --多子元素组件
- 外盘国际期货:股市公司新闻