准确率类
Accuracy、Precision、Recall、F1-score、Specificity、MCC处理不平衡数据集
- MCC 对于类别不平衡的情况和样本量较小的情况下更有优势,因为它在评估性能时考虑了所有四个分类结果,减少了结果的随机性。
- F1 分数在关注模型能够正确识别正例的情况下也保持较好的表现,适用于一些需要平衡精确率和召回率的场景。
excel大法好,看起来不错
从别人论文里偷了一张好看的,我在里边没找到锥形,柱形看着也还可以
还有这种平面条形
雷达图也可以,这种对上边那类不太适应
对比一下,这个适合单个网络的多维度比较
ROC类
混淆矩阵
这个metrics.ConfusionMatrixDisplay画出来颜色太显眼了,改成这种同类色好看一点
损失函数的讨论
t-sNE
这个用python出图
loss曲线
这个保留 一般cv论文里都默认这个属于没必要放的 太基础了 交叉学科放的多点
预测结果对比、热力图
这个是分类分割论文一定会出现的图,分析一下为什么预测正确,为什么预测错误
箱线图
属于预测评价指标
MCC、MAE、RMSE、KAPPA