表示分类正确:True Positive(TP):本来是正样例,分类成正样例。True Negative(TN):本来是负样例,分类成负样例。表示分类错误:False Positive (FP):本来是负样例,分类成正样例,通常叫误报。False Negative(FN):本来是正样例,分类成负样例,通常叫漏报。
score值 即各个样本属于正例的概率
Dice Similarity Coefficient (DSC)’
DSC=2TPFP+2TP+FN D S C = 2 T P F P + 2 T P + F N
Positive Predictive
Value (PPV)
PPV=TPFP+TP
P
P
V
=
T
P
F
P
+
T
P
Sensitivity is useful to evaluate the number of TP and
FN detections
specificity=TNTN+FP s p e c i f i c i t y = T N T N + F P 负样本预测结果数 / 负样本实际数
Sensitivity=TPTP+FN S e n s i t i v i t y = T P T P + F N 正样本预测结果数 / 正样本实际数
TPR=Recall=TPTP+FN T P R = R e c a l l = T P T P + F N 预测正确在整个真实为正的比列
Precision=TPTP+FP P r e c i s i o n = T P T P + F P 预测正确占整个预测的比例
如下图所示,红色圆代表真实值,黄色圆代表预测值。橙色部分红色圆与黄色圆的交集,即真正(预测为1,真实值为1)的部分,红色部分表示假负(预测为0,真实为1)的部分,黄色表示假正(预测为1,真实为0)的部分,两个圆之外的白色区域表示真负(预测为0,真实值为0)的部分。
MP计算橙色与(橙色与红色)的比例。
MIoU计算的是计算A与B的交集(橙色部分)与A与B的并集(红色+橙色+黄色)之间的比例,在理想状态下A与B重合,两者比例为1 。
F1分数(F1 Score),是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均,它的最大值是1,最小值是0。
分数( Score),又称平衡F分数(balanced F Score),它被定义为精确率和召回率的调和平均数。
F1=2precision+recalllprecison∗recall
F
1
=
2
p
r
e
c
i
s
i
o
n
+
r
e
c
a
l
l
l
p
r
e
c
i
s
o
n
∗
r
e
c
a
l
l