ROC与IOU

ROC

• 受试者工作特性曲线，以真阳率为纵坐标，假阳率为横坐标绘制的曲线，ROC曲线可以将所有的混淆矩阵表示在同一个二维空间内。
• ROC曲线是根据TPR与FPR的坐标点绘制出来的，因此ROC去线上的每一个点对应一个threshold，当TP=FP=1 的时候对应于原点，当threshold最小时，TN=FN=0对应于右上角。随着threshold的增加，TPR与FPR减小，ROC向左下角移动。

                                                   

                                                   

ROC曲线用于评价模型的好坏，因此不同的模型会有不同的曲线。

IOU（intersection over Union） 交并比

IoU的计算是用预测框(A)和真实框(B)的交集除以二者的并集，其公式为：

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        

        IoU的值越高也说明A框与B框重合程度越高，代表模型预测越准确。反之，IoU越低模型性能越差。

IoU优点：

        （1）IoU具有尺度不变性

        （2）结果非负，且范围是(0, 1)

IoU缺点：

        （1）如果两个目标没有重叠，IoU将会为０,并且不会反应两个目标之间的距离，在这种无重叠目标的情况下，如果IoU用作于损失函数，梯度为０，无法优化。

        （2）IoU无法精确的反映两者的重合度大小。如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。

参考链接://blog.csdn.net/xian0710830114/article/details/128177705