1. Dcie
Dice系数是一种基于像素级别的相似度度量,通常用于比较两个二进制图像的相似程度。它计算两个集合之间的相似度,即预测结果和真实标签之间的相似度,其计算公式如下:
D i c e = 2 ∗ T P 2 ∗ T P + F P + F N Dice=\frac{2*TP}{2*TP+FP+FN} Dice=2∗TP+FP+FN2∗TP
其中,TP(True Positive)表示预测为正样本且标签为正样本的像素数量,FP(False Positive)表示预测为正样本但标签为负样本的像素数量,FN(False Negative)表示预测为负样本但标签为正样本的像素数量。
Dice系数的取值范围在0到1之间,其值越接近1,表示预测结果与真实标签的重叠度越高,相似度越高。
2. IoU
IOU是一种广泛用于目标检测和语义分割中的指标,它表示预测结果与真实标签的交集与并集之比,其计算公式如下:
I o U = T P T P + F P + F N IoU=\frac{TP}{TP+FP+FN} IoU=TP+FP+FNTP
与Dice系数类似,IOU的取值范围也在0到1之间,其值越接近1,表示预测结果与真实标签的重叠度越高,相似度越高。
Dice系数和IOU的计算方式略有不同,但它们的主要区别在于Dice系数对预测结果和真实标签的交集和并集的贡献是相等的,而IOU更加关注预测结果与真实标签的交集。因此,Dice系数更加敏感于小目标,而IOU则更加适用于大目标的检测和分割任务。
3. Precision
精确度(Precision, PC) 是评估分类模型性能的一项重要指标,它衡量了模型在预测为正类别的样本中有多少是真正的正类别。Precision 的计算公式如下:
P C = T P T P + F P PC=\frac{TP}{TP+FP} PC=TP+FPTP
Precision 的取值范围是 0 到 1,数值越高表示模型在正类别的预测上越准确。高 Precision 值意味着模型很少地将负类别误判为正类别。
4. Recall
R e c a l l = T P T P + F N Recall=\frac{TP}{TP+FN} Recall=TP+FNTP
通常情况下,精确率(PC)和召回率(Reacll)是相互矛盾的,提高精确率会降低召回率,反之亦然。
因此,常常使用 F1-Score 来综合评价模型的性能,其计算公式如下: F 1 = 2 ∗ P r e c i s i o n ∗ R e c a l l P r e c i s i o n + R e c a l l F1 = \frac{2 * Precision * Recall}{Precision + Recall} F1=Precision+Recall2∗Precision∗Recall
5. AUC
AUC(Area Under the Curve)是一种用于评估二分类模型性能的指标,通常是 ROC 曲线(Receiver Operating Characteristic Curve)下的面积。ROC 曲线是一种以真正类别率(True Positive Rate,也称为 Recall 或 Sensitivity)为纵轴,假正类别率(False Positive Rate)为横轴的图形,展示了在不同阈值下模型的性能。AUC 的计算公式如下:
A U C = Σ I ( p 正样本 , p 负样本 ) P + F AUC=\frac{\Sigma{I(p_{正样本},p_{负样本})}}{P+F} AUC=P+FΣI(p正样本,p负样本)
其中:
Σ I ( p 正样本 , p 负样本 ) = { 1 , ( p 正样本 > p 负样本 1 , ( p 正样本 = p 负样本 , p 表示预测得分 1 , ( p 正样本 < p 负样本 \Sigma{I(p_{正样本},p_{负样本})} = \begin{cases} 1, & (p_{正样本}>p_{负样本} \\ 1, & (p_{正样本}=p_{负样本} , p表示预测得分\\ 1, & (p_{正样本}<p_{负样本} \end{cases} ΣI(p正样本,p负样本)=⎩ ⎨ ⎧1,1,1,(p正样本>p负样本(p正样本=p负样本,p表示预测得分(p正样本<p负样本
AUC 的优势在于它对类别不平衡的数据具有较好的鲁棒性,不受正负样本分布不均匀的影响。
通过PC和IoU计算Recall:
pc=57.21
iou=44.09
recall = 100/(1+(100-iou)/iou-(100-pc)/pc)
print(recall)