常用精度评价指标（evaluation factors）---持续更新中

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

$$精度=\frac{TP}{TP+FP}$$

准确率–accuracy

$$准确率=\frac{TP+TN}{TP+TN+FP+FN}$$

平均像素准确率–mean pixel accuracy

$$MPA=\frac{1}{2}(\frac{TP}{TP+FN}+\frac{TN}{TN+FP})$$

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
$$召回率=\frac{TP}{TP+FN}$$

F-Score & F1-Score

$$F-Score=\frac{precision\ast recall}{\beta \ast precision+recall}\ast (1+{\beta }^2)$$
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

$$特异度=\frac{TN}{TN+FP}$$

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。
$$IOU=\frac{detectionresult\cap groundtruth}{detectionresult\cup groundtruth}$$

平均交并比–mIoU

$$mIoU=\frac{1}{k+1}\sum _{i=0}^k\frac{p_{ii}}{{\sum }_{j=0}^k{p}_{ij}+{\sum }_{j=0}^k{p}_{ij}-p_{ii}}$$
其中，假设包括背景，总共有k+1类，$p_{ij}$表示将 i 类预测为 j 类的点数$p_{ii}$表示将 i 类预测为 i 类的点数。

二分类问题中的mIoU

$$mIoU=\frac{1}{2}(\frac{TP}{TP+FN+FP}+\frac{TN}{TN+FP+FN})$$