1、通过混淆矩阵实例给大家讲解各个指标:
预测 | |||
0 | 1 | ||
真实 | 0 | TN | FP |
1 | FN | TP |
真阳率:代表将真实正样本划分为正样本的概率
伪阳率:代表将真实负样本划分为正样本的概率
精确率:precision = TP / (TP + FP)
召回率:recall = TP / (TP + FN)
准确率:accuracy = (TP + TN) / (TP + TN + FP + FN)
2、AP(平均精度)
平均精度的计算方式这里我讲一种方式。
假设N个样本中有M个正例,那么我们会得到M个recall值(1/M,2/M,...,M/M),对于每个recall值r,我们可以计算出对应的(r` >=r)最大值precision,然后对这M个precision值取平均即得到最后的AP值,计算方法如下:
AP衡量的是学出来的模型每个类别上的好坏。
3、mAP(平均精度均值)
mAP是衡量的学出来的模型在所有类别上好坏,公式如上。
4、precision-recall曲线
实际多分类任务中,我们需要知道从top-1到top-N(N是所测试样本个数)对应的precision和recall。显然随着我们选定的样本越来越多,recall一定会越来越高,而precision整体会呈下降趋势。把recall当成横坐标,即可得到常用的precision-recall曲线。
5、IOU指标
6、NMS(非极大值抑制)
执行原理:选出置信度最高的候选框,如果和当前最高分的候选框重叠面积IOU大于一定阈值,就将其删除。