文本对深度学习的几个指标进行了简单理解。对于mAP和AP的理解可能存在问题,希望看到的大佬可以帮我指出。
正文
在一个数据集检测中,会产生四类检测结果:
TP、TN、FP、FN
T-true 表示正确
F-False 表示错误
P-Positive 表示积极的,看成正例
N-Negative 表示消极的,看成负例
后面为预测结果,前面为预测结果的正确性
T P—— 预测为 P (正例), 预测对了, 本来是正样本,检测为正样本(真阳性)。
T N—— 预测为 N (负例), 预测对了, 本来是负样本,检测为负样本(真阴性)。
F P—— 预测为 P (正例), 预测错了, 本来是负样本,检测为正样本(假阳性)。
F N—— 预测为 N (负例), 预测错了, 本来是正样本,检测为负样本(假阴性)。
召回率(Recall):
表示的是样本中的正例有多少被预测正确了(找得全)。所有正例中被正确预测出来的比例。
精确率(Precision):
表示的是预测为正的样本中有多少是真正的正样本(找得对)。预测结果中真正的正例的比例。
mAP和AP:
简单理解,PR曲线下的面积就是AP,对所有类别的AP计算并求平均值就是mAP。
PR曲线表示召回率和准确率的关系,在坐标轴上分别以准确率和召回率为纵横坐标构建二维曲线。
精度越高,召回率越低。曲线所围面积越大越好。
PR曲线示例: