CV算法评判标准：混淆矩阵、准确率、精确率、召回率、特异度、P-R曲线、AP、mAP、coco标准

最新推荐文章于 2024-01-04 17:43:29 发布
最新推荐文章于 2024-01-04 17:43:29 发布
阅读量1.4k 收藏 9
点赞数
分类专栏： 主流算法解析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42118657/article/details/112250953
版权

目录

1 混淆矩阵

2 准确率、精确率（查准率）、召回率（查全率）、特异度

2.1 准确率

2.2 精确率

2.3 召回率

2.4 特异度

3 ★★★ P-R曲线、AP、mAP

4 coco的评价标准和解读方式

1 混淆矩阵

2 准确率、精确率（查准率）、召回率（查全率）、特异度

2.1 准确率

2.2 精确率

2.3 召回率

2.4 特异度

3 ★★★ P-R曲线、AP、mAP

3个概念的物理意义，及其计算过程见下面这个流程图：

4 coco的评价标准和解读方式

coco的标准含义：

coco评估结果的解读重点参考：

⊙月
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
混淆矩阵（Confusion Matrix）是什么？如何对混淆矩阵进行绘制并归一化结果？
data+scenario+science+insight
04-16 2741
混淆矩阵（Confusion Matrix）是什么？如何对混淆矩阵进行绘制并归一化结果？ sklean.metrics.confusion_matrix 混淆矩阵是数据科学、数据分析和机器学习中总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的记录按照真实的类别与分类模型作出的分类判断两个标准进行汇总。以二元分类问题为例，数据集存在肯定类别和否定类别两类记录，而分类模型对记录分类可能作出阳性判断（判断记录属于肯定类别）或阴性判断（判断记录属于否定类别）两种判断。 混淆矩阵是一个2 × 2的.
关于混淆矩阵那些混淆的概念和画法
weixin_44533901的博客
08-20 3076
关于混淆矩阵那些混淆的概念和画法 如果你想画一个混淆矩阵，那么赶快理清你的思绪，跟我一起来理解关于混淆矩阵里的那些混淆概念！ 混淆矩阵概念 混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。具体评价指标有总体精度、制图精度、用户精度等，这些精度指标从不同的侧面反映了图像分类的精度。在人工智能中,混淆矩阵（confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度
模型评价指标：误报率、漏报率、准确率和召回率（虚警率、漏警率）
热门推荐
识物专栏
03-03 11万+
Tensorflow计算正确率、精确率、召回率、虚警率和漏检率 https://blog.csdn.net/sinat_35821976/article/details/81334181 数据挖掘之分类指标：召回率 、精确度、准确率、虚警率和漏警率 https://blog.csdn.net/smallnetvisitor/article/details/84650141 机器学习中准确率、精确率、召回率、误报率、漏报率、F1-Score、AP&mAP、AUC、MAE、MAPE、MSE、RM
计算样本分类的真阳，真阴，假阳，假阴，准确率，错误率，特异度，召回率，F值
08-21
计算常见的分类器衡量指标，包括真阳性，真阴性，假阳性，假阴性，准确率，错误率，特异度和F值
多类混淆矩阵：计算 kappa、准确度、误差、灵敏度、特异性、精度、误报率等。-matlab开发
05-29
此代码是为两个或多个类实例混淆矩阵的形成和计算而设计的1准确度2.错误3.灵敏度（召回率或真阳性率） 4.特异性5.精密6.FPR-假阳性率7.F_score 8.MCC-Matthews相关系数9.kappa-Cohen's kappa 运行demo.m进行证明和...
Sens_spec_calc.zip:灵敏度和特异度计算-matlab开发
06-01
这种敏感性和特异性计算是分析两个不同组的一种很好且过于简单的方法。 该软件几乎没有预测价值（为此您... 两次扫描的总和显示在这两条线上方的绿色 S+S 曲线中。 当灵敏度和特异性的总和达到峰值时，达到最佳性能点。
基于实例与MATLAB的ROC曲线绘制比较研究
01-31
基于非计算机专业人员的计算机应用能力稍差，而又要经常使用受试者工作特征（ROC）曲线作为判断的评价方法，介绍了ROC曲线的概念、原理和优点，以及如何在MATLAB下绘制ROC曲线。以评价分离信号与噪声数据为例，分别...
论文研究-一种改进的基于粒子群的聚类算法.pdf
07-22
针对K-means对初始聚类中心敏感...通过对样本集各维属性的规范化处理，惯性权值采用凹函数递减，计算相异度矩阵，引入用群体适应度方差，进一步优化混合算法。实验结果表明，该算法具有更高的准确率和更强的收敛能力。
【CV】从分类到回归：常见算法评价指标，如ROC，MAP等
种一棵树最好的时间是十年前，其次是现在
06-25 1352
在ROC曲线中，点（0,0）表示将所有样本都预测为负样本，点（1,1）表示将所有样本都预测为正样本，曲线越靠近左上角，表示模型的性能越好。与算术平均数、几何平均数和中位数等常见的平均数不同，调和平均数更加关注小数值，因为任何一个小于1的数的倒数都大于1，所以当一组数据中有个别数较小的时候，调和平均数会受到这些小数的影响而偏小。P-R曲线的优点是对于正样本的分类能力有更好的体现，对于每张测试图片，需要计算出该图片中每个物体类别的平均精度（AP），然后将所有物体类别的平均精度的平均值作为该图片的平均精度。
初学混淆矩阵
Bebr的博客
05-19 1584
一、混淆矩阵（Confusion Matrix）: 在中，混淆矩阵（confusion matrix）是可视化工具，一般也叫做匹配矩阵。 混淆矩阵的每一列代表了预测类别，每一行代表了数据的真实归属类别，每一列的总数表示预测为该类别的数据的数目（即通过算法被分为该类的数目），每一行的数据总数表示该类别的数据实例的数目 如下表，第一行第一列中的43表示有43个实际归属第一类的实例被预测为第一类，...
yolov5 混淆矩阵计算精确率（percision）
beyondCCCS的博客
06-08 1764
yolov5 通过混淆矩阵计算 精确率
目标检测COCO数据集与评价体系mAP
最新发布
scott198512的博客
01-04 1986
COCO数据集说明与mAP评价体系
画混淆矩阵sklearn
爱学习的大白菜的博客
10-14 1万+
""" 画混淆矩阵，需要(真实标签，预测标签，标签列表） y_test, y_pred, display_labels 混淆矩阵用: sklearn库中的confusion_matrix 混淆矩阵画图用： sklearn库中的ConfusionMatrixDisplay matplotlib库中的pyplot 这里用iris数据集做例子，SVM做分类器。 """ import matplotlib.pyplot
yolov5的混淆矩阵
weixin_43745234的博客
11-26 1万+
正常混淆矩阵是下图这样的，每个格子里填写的是数量 准确率、精确率和召回率的公式如下 Yolov5模型预测出来的混淆矩阵如下图所示，可以发现，每个格子里填是是小数，经分析可发现，下图应该是在列的方向上做了归一化了，所以根据精确率和召回率的公式可得，混淆矩阵对角线上格子里的数，已经就是召回率了，如果想计算精确率，横向计算一下即可，以第一行的类别ak为例 召回率为0.78/(0.78+0.03+0.19)=0.78 精确率为：0.78/(0.78+0.02+0.03+0.38)=0.65 ...
混淆矩阵可视化
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
06-21 1043
参考手册 本案例使用混淆矩阵评估鸢尾花数据集上分类器输出质量。对角线元素表示预测标签等于真实标签的点数，而非对角线元素则是分类器未正确标记的点。混淆矩阵的对角线值越高越好，表明正确的预测越多。 这些图按类支持尺寸（class support size，即每个类中的样本量）显示了归一化后及未归一化的混淆矩阵。在类别不平衡的情况下，这种归一化可能带来有趣的结果，可以对哪个类被错误分类具有更直观的解释。 在这里，结果并不如我们预期的那样好，因为我们选择的正则化参数C并不是最好的选择。在现实生活的应用中，通常
样本不均衡数据分析 - 标准化处理, 数据不均处理,交叉验证,评估, Recall值,混淆矩阵,阈值...
weixin_30539625的博客
09-06 1470
案例分析 - 信用卡诈骗 案例背景 银行评判用户的信用考量规避信用卡诈骗 ▒ 数据 数据共有 31 个特征, 为了安全起见数据已经向了模糊化处理无法读出真实信息目标 其中数据中的 class 特征标识为是否正常用户 (0 代表正常, 1 代表异常) ▒ 目标 本质依旧是一个分类问题, 0/1 的问题判断是否为信用卡诈骗用户 而在数据中 class 已经进行标识, 而...
混淆矩阵confusion matrix的创建方式（可视化）
造未来
12-08 1万+
1.分类准确率及其局限性 分类准确率是预测正确的样本数与总样本数的比值 即：分类准确率 = 预测正确的样本数 / 总样本数 错误率即： 错误率 = 1 - 分类准确率 分类准确率看上去是一个不错的评判标准，但在实际当中往往却存在着一些问题。其主要问题在于它隐藏了我们需要的细节，从而阻碍我们更好地理解分类模型的性能。 有两个最常见的例子： 当我们的数据有2个以上的类时，如3个或更多类，...
混淆矩阵生成及其可视化
海淀小天的blog
02-22 1万+
目的：传入两个数组（真实值和预测结果），计算混淆矩阵并使用matplotlib可视化出来 参考自《PyTorch 模型训练实用教程》 作者：余霆嵩    https://github.com/tensor-yu/PyTorch_Tutorial import numpy as np import os import matplotlib.pyplot as plt cls_num=5 l...
r语言计算模型的准确度、精确率、召回率、特异度
06-03
在R语言中，可以使用`caret`包中的`confusionMatrix()`函数来计算混淆矩阵和模型的各项指标，包括准确度、精确率、召回率和特异度。具体实现过程如下： ```R # 加载数据集 data <- read.csv("data.csv") train_index <- sample(1:nrow(data), 0.7 * nrow(data)) train_data <- data[train_index, ] test_data <- data[-train_index, ] # 训练xgboost模型 library(xgboost) model <- xgboost(data = as.matrix(train_data[, -ncol(train_data)]), label = train_data$label, nrounds = 100, objective = "binary:logistic") # 对测试集进行预测 test_pred <- predict(model, as.matrix(test_data[, -ncol(test_data)])) test_pred_label <- ifelse(test_pred > 0.5, 1, 0) # 计算混淆矩阵和各项指标 library(caret) conf_mat <- confusionMatrix(test_pred_label, test_data$label, positive = "1") accuracy <- conf_mat$overall["Accuracy"] precision <- conf_mat$positivePredictiveValue recall <- conf_mat$sensitivity specificity <- conf_mat$specificity # 打印结果 print(conf_mat$table) print(paste0("Accuracy: ", accuracy)) print(paste0("Precision: ", precision)) print(paste0("Recall: ", recall)) print(paste0("Specificity: ", specificity)) ``` 需要注意的是，在`confusionMatrix()`函数中，需要设置`positive`参数为1，表示真实标签为1的样本是“正例”。同时，可以通过`conf_mat$overall["Accuracy"]`、`conf_mat$positivePredictiveValue`、`conf_mat$sensitivity`和`conf_mat$specificity`来获取模型的准确度、精确率、召回率和特异度。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值