recall:查全率,希望检索到的内容越多越好
\ | 相关 | 不相关 |
---|---|---|
检索到 | A | B |
未检索到 | C | D |
因此 recall=A/(A+C)
precision:准确率,希望检索到的内容相关的越多越好
因此:precision=A/(A+B)
漏警概率(Missing Alarm)
MA = FN/(TP + FN) = 1 – TP/T = 1 - R; 反映有多少个正例被漏判了
虚警概率(False Alarm)
FA = FP / (TP + FP) = 1 – P;反映被判为正例样本中,有多少个是负例。
将正样本错误地认为是负样本,虚警率越大表明鲁棒性越低,因为不能将被攻击的图像和原始图像识别出来。
T、P、F、N
- P:正类别
- N:负类别
- T:True 预测结果为对
- F:False 预测结果错误
- 因此,前缀为T的,表示预测正确,样本确实为正或者为负
- 前缀为F的,表示预测错误,FP就表示:预测成正类别,但实际结果是负的。
- 在这儿,TP+FN表示“整个测试集中” “实际为正”的数量,而precision的含义是识别为正的所有数量中,正确的识别数量结果(识别为正,确实为正)所占的比例,也就是说识别为正的结果中,有的识别对了,有的识别错了,因此会有精确的问题,所以precision=TP/(TP+FP)
- recall的含义是正确识别为正的数量在测试集中正类总数中所占的比例,就是说,没有识别出所有位正的测试用例,因此是 “是否完全性” 的问题.recall=TP/(TP+FN)
\ | 预测结果为阳性 Positive | 预测结果为假阳性 Negative |
---|---|---|
预测结果正确 True | TP | TN |
预测结果错误 False | FP | FN |