深度学习各指标计算（Jaccard,Dice,Sensitive,Specificity,PPv,NPV，Accuracy）

最新推荐文章于 2023-05-06 14:59:05 发布

！千与千寻

最新推荐文章于 2023-05-06 14:59:05 发布

阅读量3.5k

点赞数 3

文章标签：深度学习人工智能 python

本文链接：https://blog.csdn.net/qianqian_aa/article/details/125591022

版权

1、TP、TN 、FP、 FN

TP：实际值为正，预测值为正

TN：实际值为负，预测值为负

FP：实际值为负，预测值为正

FN：实际值为正，预测值为负

实际预测	正	负
正	TP	FN
负	FP	TN

2、Jaccard

$J(A,B) = \frac{\left | A\cap B \right | }{\left | A\cup B \right |} = \frac{\left | A\cap B \right |}{\left | A \right |+\left | B \right |-\left | A\cap B \right |}$

当集合A、B都为空时，J（A，B）定义为1

Jaccard系数描述了集合之间的相似度，值越大，样本的相似度越高。

3、Dice

$dice = \frac{2\left | A\cap B \right |}{\left | A \right |+\left | B \right |}$

Dice系数描述了两个样本的相似度，与Jaccard系数类似。

也可表示为

$dice = \frac{2TP}{2TP+FP+FN}$

4、Sensitive(敏感率）

$Sen = \frac{TP}{TP+FN}$

Sensitive表示的含义为：所有正例样本中被正确预测的概率，衡量对正类样本的识别能力。

5、Specificity（特异性）

$Specificity = \frac{TN}{TN+FP}$

Specificity表示的含义为：所有负例样本中被正确预测的概率，衡量对负类样本的识别能力。

6、PPV（positive predictive value）阳性预测值

$PPV = \frac{TP}{TP+FP}$

PPV表示的含义为：所有被预测为正类的样本中，真正是正类的样本比例。

7、NPV（negative predictive value）阴性预测值

$NPV = \frac{TN}{TN+FN}$

NPV表示的含义为：所有被预测为负类的样本中，真正是负类的样本比例。

8、Accuracy（准确率）

$accuracy = \frac{TP+TN}{TP+TN+FP+FN}$

Accuracy表示的含义为：在所有预测样本中，预测准确的概率。

！千与千寻

关注

3
点赞
踩
16

收藏

觉得还不错? 一键收藏
打赏
1
评论
深度学习各指标计算（Jaccard,Dice,Sensitive,Specificity,PPv,NPV，Accuracy）

深度学习各指标计算（Jaccard,Dice,Sensitive,Specificity,PPv,NPV，Accuracy）
复制链接

扫一扫