本文主要是介绍目标检测和图像语义分割领域的性能评价指标,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
混淆矩阵
从混淆矩阵出发,再看各项性能评价指标就一目了然了。
1)True positives(TP): 被正确分类到正样本的样本数量,即所预测的正样本中,真实的正样本的数量;
2)False positives(FP): 被错误分类到正样本的样本数量,即所预测的正样本中,实际上是负样本的样本数量;
3)False negatives(FN): 被错误分类到负样本的样本数量,即所预测的负样本中,实际上是正样本的样本数量;
4)True negatives(TN): 被正确分类到负样本的样本数量,即所预测的负样本中,真实的负样本的样本数量。
5)Condition positive(CP): True positive+False negative,实际上的正样本数量(数据集中真实的正样本数量)。
6)Condition negative(CN): False positive+True negative,实际上的负样本数量(数据集中真实的负样本数量)。
7)Predicted condition positive(PCP): True positive+False positive,所预测的负样本数量。
8)Predicted condition negative(PCN): False negative+True negative,所预测的负样本数量。
1. Recall、True positive rate (TPR)、Sensitivity
首先看公式,Recall就是所有被正确预测为正样本的样本数量与真实的正样本的总数量的比值。Recall又叫做召回率,意思就是说在所有的正样本中,被正确找出来的样本的比例。
R e c a l l = ∑ T r u e p o s i t i v e ∑ C o n t i d i o n p o s i t i v e Recall=\frac{\sum{True\ positive}}{\sum{Contidion\ positive}} Recall=∑Contidion positive∑True positive
2. Precision、Positive predictive value (PPV)
Precision叫做精确度或者精度,表示在所有预测为正样本的数据中,有多少是真正的正样本。
P r e c i s i o n = ∑ T r u e p o s i t i v e ∑ P r e d i c t e d c o n d i t i o n p o s i t i v e Precision=\frac{\sum{True\ positive}}{\sum{Predicted \ condition\ positive}} Precision=∑Predicted condition positive∑True positive
3. Accuracy (ACC)
Accuracy叫做准确度,表示在所有的样本数据中,有多少是被正确预测的(包括正样本和负样本)。
A c c u r a c y = ∑ T r u e p o s i t i v e + ∑ T r u e n e
这篇关于目标检测和图像语义分割领域的性能评价指标的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!