常用精度评价指标(evaluation factors)---持续更新中
深度学习和机器学习中常用精度评价指标
- 遇到什么写什么,有错误可以在评论中指出,非常感谢
- 背景
- 精度--precision
- 准确率--accuracy
- 平均像素准确率--mean pixel accuracy
- 召回率/灵敏度--recall/Sensitivity
- F-Score & F1-Score
- 特异度--specificity
- ROC--接收者操作特征(receiver operating characteristic)
- VUC--曲线下面积(area under curve)
- 交并比--IoU
- 平均交并比--mIoU
- 二分类问题中的mIoU
遇到什么写什么,有错误可以在评论中指出,非常感谢
- 现在,本文包括精度、召回率、灵敏度、recall、F-Score、F1-Score和特异度
- 由于现在还不需要,所以没有给出每个指标的数学含义,后续会有补充
背景
类别 | 英文缩写 | 含义 |
---|---|---|
真阳性 | TP | 标签为目标且分为目标 |
真阴性 | TN | 标签为背景且分为背景 |
假阳性 | FP | 标签为背景但被分为目标 |
假阴性 | FN | 标签为目标但被分为背景 |
其中,T表示True,F表示False,P表示Positive,N表示Negative
有一个非常好记的方法,就是T表示分类正确,F表示分类错误,P表示被分为目标,N表示被分为背景,这样组合一下就OK
精度–precision
精 度 = T P T P + F P 精度= \frac{TP}{TP+FP} 精度=TP+FPTP
准确率–accuracy
准 确 率 = T P + T N T P + T N + F P + F N 准确率 = \frac{TP+TN}{TP+TN+FP+FN} 准确率=TP+TN+FP+FNTP+TN
平均像素准确率–mean pixel accuracy
M P A = 1 2 ( T P T P + F N + T N T N + F P ) MPA = \frac{1}{2}(\frac{TP}{TP+FN}+\frac{TN}{TN+FP}) MPA=21(TP+FNTP+TN+FPTN)
召回率/灵敏度–recall/Sensitivity
召回率有时也叫做敏感度–Sensitivity,或者真阳性率
召 回 率 = T P T P + F N 召回率 = \frac{TP}{TP+FN} 召回率=TP+FNTP
F-Score & F1-Score
F − S c o r e = p r e c i s i o n ∗ r e c a l l β ∗ p r e c i s i o n + r e c a l l ∗ ( 1 + β 2 ) F-Score = \frac{precision*recall}{β*precision+recall}*{(1+β^2)} F−Score=β∗precision+recallprecision∗recall∗(1+β2)
其中,β为权重因子,当β为1时,F-Score就成了F1-Score。
F1-score也称为dice coefficient。
F1-score的值域范围是[0,1]。
特异度–specificity
特 异 度 = T N T N + F P 特异度 = \frac{TN}{TN+FP} 特异度=TN+FPTN
ROC–接收者操作特征(receiver operating characteristic)
ROC 曲线是以FP rate 为横坐标,TP rate为纵坐标绘制的曲线。ROC曲线越靠近左上角表示模型中FP小而TP大,模型表现好
VUC–曲线下面积(area under curve)
VUC就是ROC曲线下的面积,面积越大,模型performance越好。
交并比–IoU
交并比顾名思义,就是model给出的bounding box 和 ground truth 中的bounding box的交叠比例。一般认为,IOU大于0.5即可判定识别正确。
I O U = d e t e c t i o n r e s u l t ∩ g r o u n d t r u t h d e t e c t i o n r e s u l t ∪ g r o u n d t r u t h IOU=\frac{detection \ result \cap ground\ truth}{detection\ result \cup ground\ truth} IOU=detection result∪ground truthdetection result∩ground truth
平均交并比–mIoU
m I o U = 1 k + 1 ∑ i = 0 k p i i ∑ j = 0 k p i j + ∑ j = 0 k p i j − p i i mIoU=\frac{1}{k+1}\sum_{i=0}^k\frac{p_{ii}}{\sum_{j=0}^kp_{ij}+\sum_{j=0}^kp_{ij}-p_{ii}} mIoU=k+11i=0∑k∑j=0kpij+∑j=0kpij−piipii
其中,假设包括背景,总共有k+1类, p i j p_{ij} pij表示将 i 类预测为 j 类的点数 p i i p_{ii} pii表示将 i 类预测为 i 类的点数。
二分类问题中的mIoU
m I o U = 1 2 ( T P T P + F N + F P + T N T N + F P + F N ) mIoU=\frac{1}{2}(\frac{TP}{TP+FN+FP} + \frac{TN}{TN+FP+FN}) mIoU=21(TP+FN+FPTP+TN+FP+FNTN)
常用精度评价指标(evaluation factors)---持续更新中相关推荐
- 【docker常用镜像命令总结,持续更新中... 建议收藏!】
1.reids redis的启动命令 docker run -p 6379:6379 --name redis -v /mydata/redis/data:/data -v /mydata/redis ...
- 后端常用开源组件合集(持续更新中)
1. 常用库 awesome - golang开源库集合 2. 编码规范 cppguide - C++编码规范 CodeReviewComments - go code review建议 3. 敏捷开 ...
- AxMath使用教程+常用符号与公式(持续更新中)
前言 这两天学了学Latex,主要是为了以后写毕业论文做铺垫,而且Latex在数学公式这一方面,要比Word方便许多,于是我就下载了一款国产的公式编辑器--AxMath.永久会员不贵,只要36元,而且 ...
- .net常用面试核心技术点(持续更新中)
using System; using System.Collections.Generic; using System.Text; /*算法系列*/ namespace ConsoleApplica ...
- 常用的英语短语短句(持续更新中)
beup to... 基本释义:胜任:该由-负责:轮到-:从事,忙于 同近义词:undertake, address, pursue, have,wage 短 语: up to date : 最新的 ...
- 人大金仓常用日期函数总结(持续更新中)
1.获取当前时间.当前日期.当前时间戳 SELECT CURRENT_TIME, CURRENT_DATE, CURRENT_TIMESTAMP 2.天数加减 -- 昨天 SELECT CURRENT ...
- linux运维常用命令一句话(持续更新中)
整理收集一些Linux运维管理.系统管理的常用命令,太多了记不住,只能记录下来方便日后查看.也可以和大家分享.如果你有好的一句话命令也贴出来吧.本文持续更新中. 1.linux启动过程 开启电源 -- ...
- db2dual_DB2常用SQL的写法(持续更新中...)
DB2常用SQL的写法(持续更新中...) -- Author: lavasoft -- Date : 2006-12-14 -- 创建一个自定义单值类型 create distinct typ ...
- psid mysql_DB2常用SQL的写法(持续更新中...)
DB2常用SQL的写法(持续更新中...) -- Author: lavasoft -- Date : 2006-12-14 -- 创建一个自定义单值类型 create distinct typ ...
最新文章
- gitee查看当前账号_upic+gitee图床,自由书写Markdown
- NLP入门 | 通俗讲解Subword Models
- Transformer模型有多少种变体?复旦邱锡鹏教授团队做了全面综述
- PAT题解-1118. Birds in Forest (25)-(并查集模板题)
- Myeclipse启动报错: Invalid 'log4jConfigLocation' parameter
- ML之XGBoost:XGBoost参数调优的优秀外文翻译—《XGBoost中的参数调优完整指南(带python中的代码)》(三)
- iOS真机调试 for Xcode 5
- 递归实现10进制转8进制,字符串数字互转,判断数组正逆向
- 工作204:组件未注册
- mongodb分片概念和原理-实战分片集群
- 分享几个Python小技巧函数里的4个小花招
- 设计模式的C语言应用-建造者模式-第七章
- 浅谈java对象的equals方法
- php rpoplpush,Redis Rpoplpush 命令
- Iphone 视图跳转方法总结
- esp8266 eeprom_ESP8266_08基于flash的数据掉电保护
- 关闭window 8.1 的skydrive
- 为什么NaN - NaN == 0.0与英特尔C ++编译器?
- 中软高科WEB前端面试题
- java resourcebundle properties_Java使用Properties类和ResourceBundle类读取properties文件
热门文章
- golang简短变量说明,申明变量的方式
- 六年前埋雷 佛山照明悲剧隐现外资控股阳谋--宇通客车可参考
- 保存PPT时,出现 “抱歉,出现问题,可能导致powerpoint不稳定。请保存您的演示文稿,然后重启Powerpoint。” 的解决方法
- 移动宝宝在线 园长版 隐私政策
- 【Spring+SpringMVC+Mybatis】利用SSM整合,完成用户登录、注册、修改密码系统
- NANK南卡降噪耳机和FIIL耳机哪个更好?哪个性价比更高?
- 必备10技搞掂你的下份工作
- 一个木函软件测试计划书,创建一个名为Rational的类,进行分数运算。编写一个程序测试该类。要求使用C++语言...
- vue阻止默认_vue中,阻止默认事件
- 典典养车或者叫典典年卡良心坑用户