【一文看懂】深度学习中常用的各项评价指标含义TP、FP、TN、FN、Accuracy、Recall、F1、IoU、mIoU

Gisleung

已于 2023-12-10 16:01:44 修改

阅读量1.1w

点赞数 19

分类专栏：深度学习笔记文章标签：深度学习人工智能

于 2022-06-26 18:11:19 首次发布

本文链接：https://blog.csdn.net/qq_27816785/article/details/125471697

版权

2 篇文章

订阅专栏

在评价一个语义分割模型（多类别）的好坏时，经常涉及TP、FP、TN、FN、Recall、IoU、Accuracy等指标进行衡量，那么这些指标是什么意思呢？
今天有幸请到了鸭子先生、猴子客官和熊猫大大来给大家亲身示范一下。

咦！发现10只可爱的小动物，可是我们不知道是什么动物，要不用深度学习分一下类吧？
在这里插入图片描述
这个时候直接掏出训练好的模型，把这些小动物丢进去，一番等待之后，我们有了以下的预测结果：

很明显，模型并没有非常完美的完成任务。但是如何评价它呢？

在这里插入图片描述

对某一类别A来讲：T = true，表示正确分类的；F = false，表示错误分类的；P = Positive，表示预测结果为A；N = Negative，表示预测结果为非A。

那么：对于上述3个动物类别而言（当多类别任务时，TN意义不大）：

可以看到，对每一个类别而言，TP+FP+TN+FN == 10（共10个动物）

既是 Global Accuracy，Overall Accuracy，OA
解释： 所有小动物分类的准确率，总共10只小动物，其中8只被正确分类。
计算： 8 / 10 = 80.00%

解释： 对于类别A而言，其 Precision = 真值为A且预测为A数量 / 预测结果中为A的数量
计算：
$Precisio{n_A} = \frac{{T{P_A}}}{{T{P_A} + F{P_A}}}$

解释： 对于类别A而言，其 Recall = 真值为A且预测为A数量 / 真值中为A的数量
计算：
$Recal{l_A} = \frac{{T{P_A}}}{{T{P_A} + F{N_A}}}$

解释： 对于类别A而言，基于其 Precision 和 Recall 的数学计算
$F1_A = 2 \times \frac{{precision_A \times recall_A}}{{precision_A + recall_A}}$

mF1 = 各类别F1求平均值

解释： 对于类别A而言，其 IoU = 预测结果和真实值的交集 / 并集 ， IoU值越接近于1，表示该类的预测结果越好
计算：
$Io{U_A} = \frac{{T{P_A}}}{{T{P_A} + F{P_A} + F{N_A}}}$

可见：

含义：所有类别的IoU求和，除以类别数目
计算：（0.714 + 0.333 + 1）/ 3 = 0.682

<完>