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 ...

常用精度评价指标（evaluation factors）---持续更新中