世上最全的模型评价指标解析

分类模型评价指标

评价指标：

准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision）即查准率，召回率（Recall）即查全率，灵敏度（sensitivity），特异度（specificity），TPR，, FPR，PR曲线，平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC + AUC，非极大值抑制（NMS），F度量值(F-measure)即F-score，

1. 准确率 （Accuracy）

分对的样本数除以所有的样本数 ，即：准确（分类）率 = 正确预测的正反例数总数 / 所有样本总数。

准确率一般用来评估模型的全局准确程度，不能包含太多信息，无法全面评价一个模型性能。

2. 混淆矩阵 （Confusion Matrix

横轴模型预测的类别统计，纵轴是样本数据的真实标签的类别统计

TP，TN，FP，FN都是从模型预测的结果的角度来说，T即True，指的是预测类别与真实label一致，F即False，模型预测的类别与真实label不一致，请特别谨记这点。

对角线上TP，TN表示模型预测label和数据标签一致的数量，所以对角线之和除以测试集总数就是准确率。对角线上数字越大越好

True Positives: 真的正样本，正样本被模型预测为正样本

True Negatives:真的负样本，负样本被模型预测为负样本

False Positives:假的正样本，负样本被模型错误预测为正样本

False Negatives:假的负样本，正样本被模型错误预测为负样本

**TPR(图中tp rate): 它是所有实际正样本中，正确识别的正样本的比例，它和召回率的表达式没有区别, Recall（召回率）=sensitivity（灵敏性）=TPR=TP/(TP+FN)，**真正率，可理解为正确的被判断为正确的

FPR(图中fp rate)：它是所有实际负样本中，错误的识别为正样本的比例, FPR=FP/(FP+TN)，假真率。

TNR 即specificity（特异性）：它是所有实际负样本中，正确识别为负样本的比例,，specificity（特异性）= TN/(FP+TN)=1-FPR

3. 精确率（Precision）（即查准率）与召回率（Recall）即（查全率）

上图的具体我们通过韦恩图来解释更易理解，原有数据样本是整个长方形，左边长方形是正样本，右边是负样本。模型对样本预测后会出现四种结果，即图中四种颜色，圆区域是模型预测的正类，其他区域（即false negatives, true negatives）是模