这篇博客详细介绍了机器学习中常用的评估指标，包括准确率(AC)、杰卡德相似系数(JA)、Dice系数(DI)、特异性(SP)和灵敏度(SE)，以及它们的计算公式。这些指标对于模型性能的评估至关重要，尤其在二分类问题中。通过理解这些指标，可以帮助优化模型并提升预测准确性。
最近看论文，又发现一个容易忘记的点，网络的评价指标，就见到一个一个的缩写：
AC、JA、DI、SP、SE，DC人是懵的，在这里写上一个笔记，方便自己查看！
公式
AC
accuracy 又称准确率，预测中正确的部分占总预测的比重
A
C
=
(
T
P
+
T
N
)
/
(
T
P
+
T
N
+
F
P
+
F
N
)
AC = (TP+TN)/(TP+TN+FP+FN)
AC=(TP+TN)/(TP+TN+FP+FN)
JA
jacarrd score, 又叫做杰卡德相似系数，指预测值与ground truth的交集比上并集的值
J
A
=
T
P
/
(
T
P
+
F
P
+
F
N
)
JA = TP/(TP+FP+FN)
JA=TP/(TP+FP+FN)
DI
dice （DI）与JA之间的关系
J
A
=
D
I
/
(
2
−
D
C
)
JA = DI / (2-DC)
JA=DI/(2−DC)
D
I
=
2
∗
J
A
/
(
1
+
J
A
)
DI = 2*JA / (1+JA)
DI=2∗JA/(1+JA)
JA代表Jaccard或iou，DC代表Dice。
所以，
D
I
=
2
∗
T
P
/
(
2
∗
T
P
+
F
P
+
F
N
)
DI = 2 *TP / (2*TP + FP+FN)
DI=2∗TP/(2∗TP+FP+FN)
dice = f1
SP
精准度 s p e c i f i c i t y = T P / ( T P + F P ) specificity= TP / (TP+FP) specificity=TP/(TP+FP)
SE
敏感度 s e n s i t i v i t y = T P / （ T P + F N ） sensitivity = TP / （TP+FN） sensitivity=TP/（TP+FN）
miou = Jaccard
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
