计算机视觉常用的评价标准

计算机视觉中常用的评价标准

1 召回率

Recall，又称“查全率”——还是查全率好记，也更能体现其实质意义。

2 准确率

Precision，又称“精度”、“正确率”。
以检索为例，可以把搜索情况用下图表示：
相关 不相关
检索到 A B
未检索到 C D
A：检索到的，相关的 （搜到的也想要的）
B：检索到的，但是不相关的
（搜到的但没用的）
C：未检索到的，但却是相关的
（没搜到，然而实际上想要的）
D：未检索到的，也不相关的
（没搜到也没用的）

如果我们希望：被检索到的内容越多越好，这是追求“查全率”，即
A/(A+C)，越大越好。
如果我们希望：检索到的文档中，真正想要的、也就是相关的越多越好，不相关的越少越好，这是追求“准确率”，即A/(A+B)，越大越好。
“召回率”与“准确率”虽然没有必然的关系（从上面公式中可以看到），在实际应用中，是相互制约的。
要根据实际需求，找到一个平衡点。

3 举例

假设原始样本中有两类，其中：
1：总共有 P个类别为1的样本，假设类别1为正例。
2：总共有N个类别为0 的样本，假设类别0为负例。
经过分类后：
3：有 TP个类别为1 的样本被系统正确判定为类别1，FN 个类别为1 的样本被系统误判定为类别 0，显然有P=TP+FN；
4：有 FP 个类别为0 的样本被系统误判断定为类别1，TN 个类别为0 的样本被系统正确判为类别 0，显然有N=FP+TN；

精确度（Precision）
P = TP/(TP+FP) ; 反映了被分类器判定的正例中真正的正例样本的比重

准确率（Accuracy）
A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN); 反映了分类器统对整个样本的判定能力——能将正的判定为正，负的判定为负

召回率(Recall)，也称为 True Positive Rate
R = TP/(TP+FN) = 1 - FN/T; 反映了被正确判定的正例占总的正例的比重

转移性（Specificity，不知道这个翻译对不对，这个指标用的也不多），也称为 True NegativeRate
S = TN/(TN + FP) = 1 – FP/N； 明显的这个和召回率是对应的指标，只是用它在衡量类别0 的判定能力。

F-measure(综合评价指标) or balanced F-score
F = 2 * 召回率 * 准确率/ (召回率+准确率)；这就是传统上通常说的F1 measure

true positives (纳真) false positives（纳伪）
false negatives（去真）true negatives (去伪)

其中false positives（纳伪）也通常称作误报，false negatives也通常称作漏报！

以上均参考网上大牛！感谢万能的互联网！