图像常用指标:
首先介绍混淆矩阵中的数值:
TP:正确正样本数,即预测为正,实际也为正
TN:正确负样本数,即预测为负,实际也为负
FP:错误正样本数,即预测为正,实际为负
FN:错误负样本数,即预测为负,实际为正
TP+FN:真实正样本总和
FP+TN:真实负样本总和
TP+TN:正确分类样本总和
TP+FP:预测正样本总和
FP+TN:预测负样本总和
Accuary(准确率):TP+TN / 样本总和
这个指标基本没啥用,毕竟负样本并不关心
Precision(精确率,查准率):TP/(TP+FP)
正确正样本数比上预测中所有的正样本数。Precision越高,说明误检的越少
Recall(召回率,查全率):TP/(TP+FN)
正确正样本数比上真实中正样本数,Recall越高,说明漏检越少。
Iou(交并比):TP / (TP+FP+FN)
交集为TP,并集为预测中的正样本数加预测错误的负样本数
F1分数:2*recall*precision/(recall + precision)
总体衡量recall和Precision,f1表示两种指标同等重要。一般来说,recall和precison都是越大越好,但并不是所有模型都可以做到两者都高,一般都会存在一方高一方低,所以采用f1分数来统一衡量。