浅析“自动驾驶” (三) 模型评测与分析

评价指标可以正向反馈模型的优劣。场景的复杂度增大了模型的复杂度，同时需要去不断迭代更加合理的评测方法和评价指标。

一、常用评测方法基本概念

从最简单的二分类问题出发，比如我们有一个模型“判断一个人的性别”，正例为男性，负例为女性。对应的混淆矩阵应该是下面这个样子：

对应就会出现四个概念：

1. TP (True Positive)： 真正例，模型的结果和真实结果相同，都为正例
2. FP (False Positive)：假正例，模型预测为正例，但是实际为负例，属于模型误报
3. FN (False Negative)：假负例，模型预测为负例，但实际是正例，属于模型漏检
4. TN (True Negative)：真负例，模型的结果和真实结果相同，都为负例

其实是对应两个字母，T/F代表模型预测结果是否正确；P/N代表模型预测为正例或者为负例

四个概念会得到如下的总数计算：

1. 所有样本总数(GT) = TP + FP + FN + TN
2. 真实情况为正例的总数 = TP + FN
3. 预测结果为正例的总数 = TP + FP

然后我们在如上的混淆矩阵和总数计算扩展开来：

如上，就得到了三个新的指标：

1. Recall (召回率，简称R)：反映模型对这个类别的真值的召回程度，即真值正例中，被模型正确预测为正例的比例
2. Precision (精确率，简称P)：反映模型对这个类别的识别准确程度，即模型预测为正例中，确实是正例的比例
3. Accuracy (准确率吧，简称Acc)：反映模型对所有类别的识别准确程度，即在所有样本中，模型预测分类成功的比例

此外，还可以定义P和R的调和平均数：F1_Score
$$F{1}_{S}core=2\ast Precision\ast Recall/(Precision+Recall).$$
除此之外，在实际应用中，还会有一些常用的指标，比如：

1. mean Recall (平均召回率)：各个类别召回率的算数平均和
2. mean Precision (平均精确率)：各个类别精确率的算数平均和

在理想情况下，上面的指标已经可以去评价一个模型的优劣了，但是现实情况往往没有那么理想，主要有两个问题：

1. 数据集类别不均衡，或者某些类别极难被模型分类成功，会导致上面平均指标的计算被样本多的类别指标所主导
2. 以逻辑回归为例，模型给出的不是0或1，而是0-1的区间，表示模型预测的概率，所以需要人为卡一个阈值，小于阈值的为负例，大于阈值的为正例

对于以上的两个问题，我们引入了一个新的指标：AP

因为模型的输出是0-1的一个数值，所以需要我们手动卡一个阈值，对应的 Precision 和 Recall 其实也变成了一个随score变化的函数 P(score) 和 R(score)，然后我们从0到1遍历所有score值，得到每个score对应的P和R，分别把两个值对应到坐标的Y，X轴上，即得到一条曲线：

这个曲线则直观的表示出了模型在不同recall下的precision，可以看到随着召回率不断增大，对应的精确率是不断减小的，这就需要我们去根据实际应用场景，牺牲某个指标，找到平衡点的阈值。这个曲线也被叫做 PR曲线
有了曲线，我们很自然地会去看曲线和X,Y轴围成的面积，它其实就是上面提到的Average Precision，简称AP, 它反映出了模型在某一类别上面不同recall下的平均精确率。可以看到，AP是和阈值score无关的，多个类别的AP算数平均值，即得到了mAP。

二、具体场景下的评测方法和评价指标

对于分类任务，其实使用上面的mAP/P/R、F1、PR曲线已经足够。对应其他任务，比如检测任务，模型的输出是检测框，如下图：

绿色代表标注框，黄色代表预测框；在这种场景下，我们不仅需要模型分类正确，也需要框的位置要满足一定要求，所以引入了一个新的概念：IOU
IOU其实就是预测框和标注框的面积交并比，如下所示：

假设A为标注框，B为预测框，蓝色C则为交集框，对应的IOU计算应该是：
$$IoU(A,B)=Intersection(A,B)/Union(A,B)=Area(C)/(Area(A)+Area(B)-Area(C))$$
所以对于检测任务，当预测框和标注框类别相同，且IOU大于某个阈值，B才能称为TP。反之，类别错误或者IOU不满足指定条件，都是FP；FN则是那些没有匹配到正确预测框的标注框。

而对于分割任务，可以理解为逐像素分类的任务，对应IOU则是分类正确的像素点个数与该类别所有像素点个数（分类正确的像素点个数 + 分类错误的像素点个数 + 漏检的像素点个数）的比值。