1. TP、FP、TN、FN
第一位表示分类器是否预测正确,第二位表示分类器的预测结果。从后往前看,先看预测结果样本是Positive(正样本)还是Negative(负样本),然后确认分类器是否预测正确。参考
TP:True Positive,分类器预测结果为正样本,实际也为正样本,即正样本被正确识别的数量。
FP:False Positive,分类器预测结果为正样本,实际为负样本,即误报的负样本数量。
TN:True Negative,分类器预测结果为负样本,实际为负样本,即负样本被正确识别的数量。
FN:False Negative,分类器预测结果为负样本,实际为正样本,即误报的正样本数量。
TP+FN:真实正样本的总和,正确分类的正样本数量+漏报的正样本数量。
FP+TN:真实负样本的总和,负样本被误识别为正样本数量+正确分类的负样本数量。
TP+TN:正确分类的样本总和,正确分类的正样本数量+正确分类的负样本数量。
2. Accuracy准确率
Accuracy表征的是预测正确的样本比例。不过通常不用这个概念,主要是因为预测正确的负样本这个没有太大意义。S表示样本数量
3. Precision查准率
Precision表征的是预测正确的正样本的准确度,查准率等于预测正确的正样本数量 / 所有预测为正样本数量。Precision越大说明误检的越少,Precision越小说明误检的越多。
4. Recall查全率/召回率
Recall表征的是预测正确的正样本的覆盖率,查全率等于预测正确的正样本数量 / 所有正样本的总和,TP+FN实际就是Ground Truth的数量。Recall越大说明漏检的越少,Recall越小说明漏检的越多。
5. IoU交并比
IoU(Intersection over Union)交并比是对象类别分割问题的标准性能度量。IoU计算的是“预测的边框”和“真实的边框”的交叠程度,即它们的交集和并集的比值。
最理想情况是完全重叠,即比值为1。