最近在看人脸识别的论文,查了几个比较重要的定义,用于评估二分类问题的预测结果
相关 不相关
预测到的 : A(tp) B(fp) 误报
你没预测到的 : C(fn)漏报 D(tn)
准确率:(对的对,错的错的比例)(A+D)/(A+B+C+D)
精确率 (查准:查到的是准的)precision(P) = A/(A+B) 你的预测有多少是对的 (人脸识别中,这个值越大,误检越少),是针对你的预测结果而言的
召回率 Recall (R)(查全:查到的占全部的比例)= A/(A+C) 你的预测正确的覆盖了多少 (人脸识别中,这个值越大,漏检越少),是针对于样本而言的
此外,还有F1值,是Precision和Recall的调和平均
2F1=1P+1R
F1=2tp2tp+fp+fn
Recall和Precision大, F1 值也大
ROC curve
接收者操作特征曲线(Receiver Operating Characteristic curve)
在所有人脸中,被预测为人脸的比例: recall =A/(A+C)
也叫 validation rate(VR), true positive rate (TPR), sensitivity recall在所有非人脸中,被预测为人脸的比例, 也叫 false accept rate (FAR) = B/(B+D), false positive rate(FPR)
在论文给的一些结果的表格,会有
VR@FAR=0
VR@FAR=10−6
VR@FAR=0.1%
ROC曲线越靠近左上角越好