这个问题困扰我挺久,一度还理解错混淆矩阵的含义,每次记住一会没多久又忘了,而目标检测的AP与mAP问题又一直模模糊糊的,今天终于比较清晰地理解了,感谢网络上各网友无私而又丰富的知识分享。
混淆矩阵的定义
混淆矩阵(Confusion Matrix),它的本质远没有它的名字听上去那么拉风。矩阵,可以理解为就是一张表格,混淆矩阵其实就是一张表格而已。
以分类模型中最简单的二分类为例,对于这种问题,我们的模型最终需要判断样本的结果是0还是1,或者说是positive还是negative。
![3f9b00efc40aede5b771f1fee0a04be7.png](https://i-blog.csdnimg.cn/blog_migrate/d6b60a633eaf65ac9b99f749ff8f80e2.jpeg)
TP: 将正类预测为正类数;TN: 将负类预测为负类数;
FP: 将负类预测为正类数(错报);FN: 将正类预测为负类数(漏报)。
此前一直要记混这4个词的含义,实际应该这么来记:
TP为例,意思是预测为P,即正类,结果为T,即正确,那么这个物体就真的为正类;FN为例,意思是预测为N,即负类,结果为F,即错误了,那么这个物体实际上就是正类;FP为例,意思是预测为P,即正类,结果为F,即错误了,那么这个物体实际上就是负类。
以上这么去看待,就几乎不会记混了。
准确率(Accuracy): ACC=(TP+TN)/(TP+TN+FP+FN)
TP+TN:预测为正类和预测为负类结果都对了的数量,相当于就是预测结果中,预测对了的数量。这个需要自己去体会一下。
精确率(Precision): P=TP/(TP+FP)(分类后的结果中正类的占比)
TP+FP:预测为正的数量。精确率就是说预测为正的数量当中,实际物体也是正类的比例。
召回率(Recall): R=TP/(TP+FN)(所有正例被分对的比例,也称灵敏度)
TP+FN:实际为正的数量。召回率就是说实际上为正的数量当中,被预测为正的数量比例。
特异度(Specificity):S=TN/(TN+FP)(所有负类被分对的比例)
F1 Score:F1=2PR/(P+R)
其中,P代表Precision,R代表Recall。
F1-Score指标综合了Precision与Recall的产出的结果。F1-Score的取值范围从0到1的,1代表模型的输出最好,0代表模型的输出结果最差。
混淆矩阵的实例
当分类问题是二分问题是,混淆矩阵可以用上面的方法计算。当分类的结果多于两种的时候,混淆矩阵同时适用。
一下面的混淆矩阵为例,我们的模型目的是为了预测样本是什么动物,这是我们的