精度评价中生产者和用户精度等含义

已于 2022-03-19 09:43:43 修改
阅读量7.5k 收藏 12
点赞数 3
分类专栏： GEE 文章标签： 经验分享
于 2022-03-16 10:03:52 首次发布
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_51886730/article/details/123518044
版权
无敌小猎豹
关注
  • 3
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
用户精度 (User‘s Accuracy) 和生产者精度 (Producer‘s Accuracy) 的理解
GISer and Coder
10-30 1万+
用户精度 (User’s Accuracy): 假设分类结果的某类别的用户精度为 80%，用户拿到分类结果后，10个像元中有8个是对的，2个是错的； 生产者精度 (Producer’s Accuracy): 假设分类结果的某类别的生产者精度为 80%，如果该类别有10个像素的话，则有2个没有分到该类别（丢失了）。 ...
用最大似然分类（随机抽样，分层随机抽样），并计算整体精度，KAPPA精度，用户者精度 和生产者精度。
04-22
用最大似然分类（随机抽样，分层随机抽样），并计算整体精度，KAPPA精度，用户者精度 和生产者精度。
混淆矩阵计算遥感分类精度（总体精度、Kappa系数、用户精度、生产者精度等）
最新发布
weixin_45973418的博客
04-06 1234
假设分类结果的某类别的生产者精度为 80%，那么如果该类别有10个像素的话，则有2个没有分到该类别（丢失了）。假设分类结果的某类别的用户精度为 80%，则用户拿到分类结果后，10个像元中有8个是对的，2个是错的；
geemap学习笔记 08 geemap 监督分类结果的精度验证案例
qq_35776031的博客
05-14 5065
文章目录前言一、分类精度评价二、监督分类结果的精度验证1. 混淆矩阵2. 总体精度3. Kappa 系数4. 生产者精度5. 用户精度总结 前言 要评估分类器的准确性，可以使用ConfusionMatrix。**sample()方法从输入数据生成两个随机样本:一个用于训练，另一个用于验证。训练样本用于训练分类器。从classifier.confusionMatrix()**中可以得到训练数据的替换精度。为了获得验证的准确性，需要对验证数据进行分类。这将向验证FeatureCollection添加一个分类属
【Python】一个简陋的基于混淆矩阵计算遥感分类精度（总体精度、Kappa系数、用户精度、生产者精度等）的代码
Leaze932822995的博客
02-28 8206
目录1 简介2 案例和代码说明3 完整代码 1 简介 有一篇文章返修了，由于文章的重点不在分类所以我之前就随便写个Kappa系数上去，没想到审稿人居然要求我提供其他参数ಥ_ಥ可是我只大概存了个各类型的分类。。。后来整理整理也只能得到一个混淆矩阵。。。说实话分类我做得也不多，作为纯ArcGIS党以前只知道有软件可以跑各种精度或GEE用现成代码跑。。本着靠自己不靠别人的想法，这次我就想写一个基于混淆矩阵计算总体精度（Overall Accuracy，OA）、Kappa系数（Kappa Coefficient）、
图像分类精度评价
热门推荐
yy_nju的专栏
01-13 3万+
新年第一篇，介绍一个经常混淆的问题——图像分类精度评价，多种精度评价指标的含义 1、混淆矩阵 2、 用户精度 User's Accuracy (UA) 用户（使用者）精度表示在该次分类中，在分类图上，落在该类别上的检验点，被正确分类为该类别的比率。 2.1 误判误差 （Commission Error） 误判误差指该类别被错误分类的概率。
【学习笔记】遥感影像分类相关精度指标
Lee大哲博客
01-21 1841
影像分类相关进度指标
【总结】一文了解所有的机器学习评价指标
YaoYee_21的博客
01-15 4846
你想了解的机器学习和深度学习的评价标准都在这里
分类精度评价方法
Action专栏
08-13 6004
生产则精度=正确分类数/某类别总数 用户精度=正确分类数/（正确分类数+错分到某类别总数） producer 's accuracy user's accuracy
利用风云3D微波成像仪数据估算北极海冰密集度的精度评价.docx
11-29
文献[14]利用中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer，MODIS）数据验证了基于MWRI和AMSR-E数据生产的北极SIC产品，当SIC时，AMSR-E更接近MODIS，当SIC≥95%时，MWRI结果更好。...
测量系统分析-测试&MSA-中.pdf
09-30
测量精度应高于过程变差和公差带两者中精度较高者，一般来说，测量精度是过程变差和公差带两者中精度较高者的十分之一。测量系统统计特性可能随被测项目的改变而变化。 二、标准 测量系统分析需要参考国家标准、第...
MSA量测系统分析基础知识详解
07-05
"MSA量测系统分析基础知识详解" 量测系统分析（MSA）是工业生产中...MSA 量测系统分析基础知识详解为工业生产者提供了量测系统分析的基础知识，旨在帮助生产者对量测系统进行评价和改进，从而提高产品的质量和可靠性。
学籍管理系统可行性分析报告模板.pdf
10-12
同时，还需要列出目标，如人力与设备费用的节省、处理速度的提高、控制精度或生产能力的提高等。 在对现有系统的分析中，需要分析现有系统的处理流程和数据流程、工作负荷、费用支出、人员和设备等方面的信息，并...
MSA测量系统分析.pdf
02-08
测量精度是指测量系统的测量结果的精度，需要高于过程变差和公差带两者中精度较高者的一半。测量精度的高低直接影响测量结果的可靠性。 测量系统的评定可以分为两个阶段，第一阶段是明白该测量过程并确定该测量系统...
深度学习、遥感领域常用精度评价指标盘点
小E博客
11-14 9394
最近几年，以深度学习技术为代表的新型前沿技术在图像处理领域，取得了巨大的成功，从图像处理到场景理解，从图像分类到图像实时分割，深度学习无处不在。在遥感领域，深度学习技术更是火热。 本篇博文就对常用的深度学习精度评价指标进行总结梳理，旨在为模型算法的精度评价指标选取提供一个参考。 1、精确率、召回率和F1 精确率（Precision），又可以称为正确率，主要是指识别出来的目标有多少是识别准确的，衡量的是识别结果的正确率； 召回率（Recall），又可以成为查全率，主要是指所有正确的目标有多少被识别出来
遥感影像混淆矩阵_分类模型的评估指标 | 混淆矩阵（2）
weixin_28339967的博客
01-12 5365
遥感影像分类评估书接上回，今天我们来看一看遥感影像分类是如何进行评估的。01概念首先我们先了解一下什么是遥感影像分类。遥感影像分类就是一个对给定的遥感影像所包含的所有像元的地表属性进行识别归类的过程；目的是在属性识别归类的基础上获取研究区域内各个地物类型的分布状况及面积。对遥感影像分类结果进行评估就是一个通过比较检验样本与分类结果的符合程度来确定分类准确度的过程。02精度与准确度在刚刚的...
分类精度评价
Suan2014的博客
09-20 2万+
转自：http://blog.sina.com.cn/s/blog_95f4ca670102v9rs.html 易康Developer软件中提供的【Error Matrix based on TTA MASK】和【Error Matrix based on Samples】两种精度评价方式，前者是一种基于像素的精度评价，通常情况是将验证样本的点文件或面文件以矢量专题数据的形式导入后转化为评价
遥感分类精度评价与多类分类性能评价
gactyxc的博客
02-11 1万+
我们知道遥感分类具有不确定性，而其不确定性与其所选择的的评价方法密切相关。本文主要通过四个方面来进行介绍，首先对遥感影响分类精度评价的发展进行介绍；其次对遥感分类精度的评价方法与多分类性能评价的指标分别进行介绍，最后对两者直接的相同点进行总结。
制图精度、用户精度比较
weixin_30706507的博客
03-07 5534
1、错分误差：指被分为用户感兴趣的类，而实际上属于另一类的像元，错分误差显示在混淆矩阵的行里面。 2、漏分误差：指本属于地表真实分类，但没有被分类器分到相应类别中的像元数。漏分误差显示在混淆矩阵的列里。 3、制图精度：指假定地表真实为A类，分类器能将一幅图像的像元归为A的概率 4、用户精度：指假定分类器将像元归到A类时，相应的地表真实类别是A的概率。真实参考源可以使用两种方式：一是标准的分类图，...
通过混合矩阵，采用总体精度、生产者精度、用户精度以及 Kappa 系 数进行定量评价
08-12
### 回答1： 混淆矩阵是一种用于衡量分类模型性能的工具，它将模型的预测结果与真实结果进行比较，并计算出各种分类指标。混淆矩阵通常用于二元分类问题，其中将实例划分为正类和负类。在混淆矩阵中，真实结果在行方向上表示实际类别，预测结果在列方向上表示预测类别。对于二元分类问题，混淆矩阵如下所示： | | 预测为正类 | 预测为负类 | | --- | --- | --- | | 实际为正类 | TP（真正例） | FN（假反例） | | 实际为负类 | FP（假正例） | TN（真反例） | 总体精度是指分类器将所有样本分类正确的比例，计算公式如下： $$ Accuracy = \frac{TP + TN}{TP + TN + FP + FN} $$ 生产者精度是指分类器正确预测出所有正例中的比例，计算公式如下： $$ Precision = \frac{TP}{TP + FP} $$ 用户精度是指分类器正确预测出所有负例中的比例，计算公式如下： $$ Recall = \frac{TN}{TN + FN} $$ Kappa系数是一种度量分类器性能的统计量，它可以考虑到预测结果和真实结果之间的偶然或随机性，计算公式如下： $$ \kappa = \frac{p_o - p_e}{1 - p_e} $$ 其中，$p_o$表示观测到的分类器准确率，$p_e$表示基于随机分配的准确率。Kappa系数的取值范围在-1到1之间，值越大表示分类器性能越好。 综上所述，混淆矩阵可以帮助我们对分类器性能进行定量评估，并可以通过总体精度、生产者精度、用户精度以及Kappa系数等指标来衡量分类器的性能。 ### 回答2： 混合矩阵是一种用于定量评价分类模型性能的工具。它可以通过总体精度、生产者精度、用户精度以及Kappa系数来对模型进行评价。 总体精度是通过混合矩阵中正确分类的样本数除以总体样本数得出的指标，它表示了模型在整体上分类的准确率。 生产者精度是指在实际为某一类的样本中，被模型正确预测为该类别的样本数占实际为该类别的样本总数的比例。生产者精度能够评价模型对于每个类别的分类能力。 用户精度是指在模型将某一类的样本预测为该类别的样本中，实际为该类别的样本数占模型预测为该类别的样本总数的比例。用户精度衡量模型在某个类别上的预测能力。 Kappa系数是用于衡量模型分类一致性的指标，它考虑了模型预测和实际情况的一致性，能够排除模型预测正好符合随机情况的可能性。Kappa系数越接近1，表示模型分类结果与实际情况的一致性越高。 通过混合矩阵和这些指标的定量评价，我们可以综合评估分类模型的性能。总体精度和Kappa系数能够判断模型整体的分类准确性，而生产者精度和用户精度则能够对模型在不同类别上的性能进行评估。综合考虑这些指标可以帮助我们判断分类模型的优劣，并做出相应的改进和优化。 ### 回答3： 通过混淆矩阵，我们可以对分类模型的性能进行定量评价。混淆矩阵是一个二维表格，行代表真实的类别，列代表模型预测的类别。混淆矩阵能够帮助我们计算出总体精度、生产者精度、用户精度以及Kappa系数。 总体精度是指模型正确分类的样本占总样本数的比例。可以通过对角线元素的和除以所有元素的和得到。 生产者精度是指真实类别为某个标签的样本被模型预测为该标签的比例。可以通过将每个真实类别的对角线元素除以该标签的样本总数得到。 用户精度是指模型预测为某个标签的样本真实类别为该标签的比例。可以通过将每个预测类别的对角线元素除以该预测标签的样本总数得到。 Kappa系数是一种常用的评价分类器性能的指标，它考虑到了分类器预测和真实类别的随机一致性。Kappa系数的值介于-1和1之间，值越高表示分类模型的性能越好。可以通过计算混淆矩阵中元素及总样本数得到。 通过混淆矩阵中的各个指标，我们可以对分类模型的性能进行全面的评估。总体精度可以帮助我们了解模型的整体准确率。生产者精度和用户精度能够帮助我们了解模型在各个类别上的准确率。而Kappa系数可以在一定程度上消除随机误差的影响，更客观地评价模型的分类性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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