paddle video_tag中涉及的性能指标以及机器学习性能指标扩展

最新推荐文章于 2023-10-31 08:37:37 发布

鸿语zlx

最新推荐文章于 2023-10-31 08:37:37 发布

阅读量444

点赞数

分类专栏： paddle 文章标签：机器学习深度学习

原文链接：http://charleshm.github.io/2016/03/Model-Performance/

版权

paddle 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

paddle video_tag模型涉及的性能指标

1、精确率(precision)和准确率(accuracy)

实际\预测	正	负
正	TP(True Positive)	FN(False Negative)
负	FP(False Positive)	TN(True Negative)

精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)
在这里插入图片描述
召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。

2、评价指标Global Average Precision

Global Average Precision 指标描述
当K = 1 时，该评价指标也叫micro Average Precision

对于每个测试图像，模型将预测一个地标标签和一个相应的置信度得分。评估将每个预测视为一长串预测（按置信度分数按降序排序）中的单个数据点，然后根据该列表计算平均精度。按置信度得分降序排列排列，并根据此列表计算Average Precision 。

如果提交具有 N 个预测（标签/置信对），并按它们的置信度得分从高到低排序，则全局平均精度（Global Average Precision， GAP）的计算公式为：

在这里插入图片描述
N：系统在所有查询中返回的预测总数
M：是查询集合总数中至少有一个样本可见的查询总数（请注意，某些查询可能未描述样本）
P(i)：是rank i的Precision。（例如：考虑rank3-有3个预测，其中2个是正确的。那么P(3) = 2/3）
rel(i)：表示预测i的相关性：如果第i个预测正确，则为1，否则为0

3、评价指标loss

video_tag所采用的loss公式
在这里插入图片描述

其他机器学习性能指标

1、ROC 曲线

在这里插入图片描述

2、AUC

AUC（Area Under Curve）被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。
AUC含义为：随机挑选一个正样本以及一个负样本，分类器判定正样本的值高于负样本的概率就是 AUC 值。

简单说：AUC值越大的分类器，正确率越高。

AUC=1，完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
0.5<AUC<1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
AUC=0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。
AUC<0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测，因此不存在 AUC<0.5 的情况。

既然已经这么多评价标准，为什么还要使用ROC和AUC呢？因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反）