根据P(precision)、R（recall）计算F1和iou

一、首先，了解TP 、TN 、FP、 FN的基本概念

TP：被模型预测为正类的正样本（预测正确的正样本）

TN：被模型预测为负类的负样本（预测正确的负样本）

FP：被模型预测为正类的负样本（预测错误的正样本）

FN：被模型预测为负类的正样本（预测错误的负样本）

二、根据TP 、TN 、FP、 FN计算P(precision)、R（recall）

• precision 计算公式：

• recall 计算公式：

 

• accuracy计算公式：

三、根据P(precision)、R（recall）计算F1-score和iou

F1-Score，又称为平衡F1分数（BalancedScore），它被定义为精确率和召回率的调和平均数。

• F1计算公式：

iou（Intersection over Union）交并比。计算真实值和预测值集合的交集与并集之比。

• iou计算公式：

详细推导过程比较简单，如下所示：

首先根据precision 计算公式和recall 计算公式分别计算FP和FN:

补充，FP的推导过程：

PS：以下公式里的P代表precision，即从precision的计算公式推导FP。

补充，FN的推导过程 ：

PS：以下公式里的R代表recall，即从recall的计算公式推导FN。

因此可以得到：

 然后把FP和FN代入到IOU的计算公式中：

如有推导错误，欢迎批评指正~~~

整理不易，欢迎一键三连！