本文介绍了分类任务中的关键指标如TP,FP,FN,TN,及其衍生的召回率、准确率、精确率和F1值。重点讲解了ROC曲线、AUC以及AP（AUC在精确度-召回率曲线下的面积），同时也提及了回归任务中的MSE,RMSE,MAE。图像分割中的IOU也被提及作为评估标准。
分类任务
| 真正的正类 | 真正的负类 | |
| 判断的正类 | TP（True Positive） | FP（Flase Positive） |
| 判断的负类 | FN（False Negatives） | TN（True Negatives） |
- 召回率（预测正确中为正类的比例）
- 准确率（所有预测中预测正确的比例）
- 精确率（预测为正类中真的为正的比例）
- F1值（对精确率和召回率进行加权）
- ROC曲线（接收者操作特征曲线）和AUC
ROC曲线越偏离到（0，1）越好，即AUC（曲线下面积）越大，分类效果越好
- AP（AUC） （精确度-召回率曲线下的平均面积）
先计算所有分类样本的Precision和Recall，绘制图形如下
则AP（AUC）为所有点插值法得到图形的曲线下方面积
MAP是所有AP的平均
回归任务
- MSE（平均平方差）
RMSE就是对MSE进行开根号
- MAE（平均绝对值误差）
图像分割
- IOU（交并比）
2043
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
