【图像分类】 理论篇（1）图像分类的测评指标

      对于分类模型的性能评估通常采用混淆矩阵的方式和计算准确率、正确率、召回率和 F1 分数。本文详细介绍图像分类的测评指标 
     在二分类问题中，样本有正负两个类别，模型对样本的预测结果存在四种组合：真阳性，即预测为正，实际也为正(True  Positive，TP)；假阳性，即预测为正，实际为负(False  Positive，FP)；假阴性，即预测为负，实际为正(False  Negative，FN)；真阴性，即预测为负，实际也为负(True Negative，TN)。

      混淆矩阵

        混淆矩阵是将所有类别的分类状况列出，包含真实值、预测值以及各种分类情况，主要由 TP、FP、FN、TN 四个主要参数表示。具体而言，混淆矩阵中的每一行的标签表示样本的真正类别标签，每一行样本数量的总和表示为该类别样本的数量总和；每一列的标签表示样本的预测类别标签，每一列样本数量的总和表示为预测为该类别的样本数量总和。混淆矩阵的简单示例如表 4.5 所示，表4.5 中的数据非真实数据表示。 
例：若共有 150 个样本数据，预测为 A、B、C 类各 50 个，分类任务结束后得到的混淆矩阵为： 

      准确率(Precision)

        表示预测为正的样本中有多少时是真正的正样本。其中预测为正类样本存在两种情况：一种是把正类样本预测为正类样本(TP)，另一种则是把负类样本预测为正类样本(FP)。

计算示例：

        precision(A)=47/(47+1+2)=0.94

        precision(B)=43/(3+43+4)=0.86

        precision(C)=40/(2+8+40)=0.80                                ​  

      正确率(Accuracy)

        表示正确预测的比例，即表示所有样本中被预测正确的样本数。其中预测正确的样本存在两种情况：一种是把正类样本预测为正类样本(TP)，另一种是把负类样本预测为负类样本(TN)。 

计算示例：

        Accurcay=(47+43+40)/(47+1+2+3+43+4+2+8+40)=0.867

      召回率(Recall)

        召回率是针对样本类别而言，即表示样本中的正例有多少被预测正确。其中样本中正例存在两种情况：一种是把原始的正类样本预测为正类样本(TP)，另一种则是把原始的正类样本预测为负类样本(FN)。

计算示例：

        Recall(A)=47/(47+3+2)=0.9038

        Recall(B)=43/(1+43+8)=0.8431

        Recall(C)=40/(2+4+40)=0.8696

      F1 分数(F1-Score)

        F1 分数综合了准确率(Precision)和召回率(Recall)，是Precision 和 Recall 的加权平均，它的最大值是 1，最小值是 0。

计算示例：

        F1-score(A)=2×(0.94×0.9038)/(0.94+0.9038)=0.9215

【图像分类】理论篇（2）经典卷积神经网络 Lenet~Densenet_TechMasterPlus的博客-CSDN博客

【图像分类】理论篇（3）交叉熵损失函数的理解与代码实现_TechMasterPlus的博客-CSDN博客

【图像分类】理论篇（4）图像增强opencv实现_TechMasterPlus的博客-CSDN博客