准确率、召回率和 F 值是在鱼龙混杂的环境中,选出目标的重要评价指标。不妨看看这些指标的定义先:
TP-将正类预测为正类
FN-将正类预测为负类
FP-将负类预测为正类
TN-将负类预测为负类
准确率(precision):
也叫作查准率。即正确预测为正的占全部预测为正的比例。个人理解:真正正确的占所有预测为正的比例,就是你以为的正样本,到底猜对了多少.。
召回率 (recall)
也叫作查全率。即正确预测为正的占全部实际为正的比例。个人理解:真正正确的占所有实际为正的比例,就是真正的正样本,到底找出了多少.。
F-Measure是Precision和Recall加权调和平均:
当 的时候 , 则称为 F1。
F1值为算数平均数除以几何平均数,且越大越好,将Precision和Recall的上述公式带入会发现,当F1值小时,True Positive相对增加,而false相对减少,即Precision和Recall都相对增加,即F1对Precision和Recall都进行了加权。
在目标检测算法中,当一个检测结果(detection)被认为是True Positive时,需要同时满足下面三个条件:
1,Confidence Score > Confidence Threshold
2,预测类别匹配(match)真实值(Ground truth)的类别
3,预测边界框(Bounding box)的IoU大于设定阈值,如0.5
不满足条件2或条件3,则认为是False Positive。
TP (True Positive):一个正确的检测,检测的IOU ≥ threshold。即预测的边界框(bounding box)中分类正确且边界框坐标正确的数量。
FP (False Positive):一个错误的检测,检测的IOU < threshold。即预测的边界框中分类错误或者边界框坐标不达标的数量,即预测出的所有边界框中除去预测正确的边界框,剩下的边界框的数量。
FN (False Negative):一个没有被检测出来的ground truth。所有没有预测到的边界框的数量,即正确的边界框(ground truth)中除去被预测正确的边界框,剩下的边界框的数量。
Precision (准确率 / 精确率/ 查准率):准确率是模型只找到相关目标的能力,等于TP/(TP+FP)。即模型给出的所有预测结果中命中真实目标的比例。
Recall (召回率、查全率):,召回率是模型找到所有相关目标的能力,等于TP/(TP+FN)。即模型给出的预测结果最多能覆盖多少真实目标。
Precision 分子:目标检测预测出来正确的框,分母:目标检测预测出所有的框
Recall 分子:目标检测预测出来正确的框,分母就是真实目标的框
【参考文献】
准确率、精确率、召回率、F1值、ROC/AUC整理笔记_京局京段蓝白猪的博客-CSDN博客_精确度和召回率
准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F值(F-Measure)、AUC、ROC的理解_千寻~的博客-CSDN博客_准确率
https://www.jianshu.com/p/fd9b1e89f983