目标检测评价指标
- TN FN TP FP 用 0 1 举例
当使用 1 和 0 代表类别时,混淆矩阵看起来如下所示:
预测\真实 | 真实为 1 (Positive) | 真实为 0 (Negative) |
---|---|---|
预测为 1 | TP=85 | FP=15 |
预测为 0 | FN=20 | TN=80 |
在这里:
- TP(True Positive)= 85,表示模型正确地将类别 1 预测为类别 1。
- FP(False Positive)= 15,表示模型错误地将类别 0 预测为类别 1。
- FN(False Negative)= 20,表示模型错误地将类别 1 预测为类别 0。
- TN(True Negative)= 80,表示模型正确地将类别 0 预测为类别 0。
- 准确率、召回率、精确率、 F1计算
-
准确率(Accuracy):分类器正确分类的样本数与总样本数之比。
Accuracy = (TP + TN)/(TP + TN + FP + FN)
= (85 + 80) / (85 + 80 + 15 + 20) ≈ 0.825
-
召回率(Recall):正样本中被分类器正确识别的比例。
Recall = TP/ (TP + FN)
= 85 / (85 + 20) ≈ 0.8095
-
精确率(Precision):分类器预测为正类别的样本中,真正为正类别的比例。
Precision= TP/ (TP + FP)
= 85 / (85 + 15) ≈ 0.85
-
F1 值:精确率和召回率的调和平均值,是综合考虑了精确率和召回率的一个指标。
F1 = 2 * (Precision * Recall) / (Precision + Recall)
≈ 0.8295
F1有点调和平均数的意思