目录
- 1分类任务
-
- [1.1 二分类](#1.1 二分类)
-
- [1.1.1 含义介绍](#1.1.1 含义介绍)
- [1.1.2 指标](#1.1.2 指标)
- 1.2多分类
- 2图像分割
-
- [2.1 常用指标](#2.1 常用指标)
- [2.2 具体含义](#2.2 具体含义)
-
- [2.3 代码实现](#2.3 代码实现)
1分类任务
1.1 二分类
混淆矩阵
1.1.1 含义介绍
- TP：预测为真所以是Positive，预测结果和真实结果一致所以为True
- TN：预测为假所以是Negative，预测结果和真实结果一致所以为True
- FP：预测为真所以是Positive，预测结果和真实结果不一致所以为False
- FN：预测为假所以是Negative，预测结果和真实结果不一致所以为False
1.1.2 指标
- Accuracy（准确率）
准确率（Accuracy）表示分类正确的样本占总样本个数的比例。
优点：当样本中不同类别比例均衡时，Accuracy是衡量分类模型的最直白的指标，是一个较好的衡量标准
缺点：当样本中不同类别比例不均衡时，其中占比大的类别会是影响准确率的最主要的因素。
A c c u r a c y = T P + T N T P + F P + T N + F N Accuracy=\frac{TP+TN}{TP+FP+TN+FN} Accuracy=TP+FP+TN+FNTP+TN
- Precision（精确率）
别名查准率，表示预测结果为正例的样本中实际为正样本的比例。
特点：使用场景：当反例被错误预测成正例（FP）的代价很高时，适合用精确率。
P r e c i s i o n = T P T P + F P Precision=\frac{TP}{TP+FP} Precision=TP+FPTP
- 召回率
别名查全率，表示预测结果为正样本中实际正样本数量占全样本中正样本的比例。
特点：当正例被错误的预测为反例（FN）产生的代价很高时，适合用召回率。
R e c a l l = T P T P + F N Recall=\frac{TP}{TP+FN} Recall=TP+FNTP
- F1 score
F1 score是精确率和召回率的一个加权平均。
特点：Precision体现了模型对负样本的区分能力，Precision越高，模型对负样本的区分能力越强；Recall体现了模型对正样本的识别能力，Recall越高，模型对正样本的识别能力越强。F1 score是两者的综合，F1 score越高，说明模型越稳健。
F 1 = 2 ∗ P r e c i s i o n ∗ R e c a l l P r e c i s i o n + R e c a l l F_1=2*\frac{Precision*Recall}{Precision+Recall} F1=2∗Precision+RecallPrecision∗Recall
1.2多分类
2图像分割
2.1 常用指标
这里的主要是评价两个集合之间的相似性
像素准确率（Pixel Accuracy，PA）
类别像素准确率（Class Pixel Accuray，CPA）
类别平均像素准确率（Mean Pixel Accuracy，MPA）
交并比（Intersection over Union，IoU）
平均交并比（Mean Intersection over Union，MIoU）
Dice coefficient
2.2 具体含义
- PA 预测类别正确的像素数占总像素数的比例
混淆矩阵计算：
对角线元素之和 / 矩阵所有元素之和
P A = T P + T N T P + F P + T N + F N PA=\frac{TP+TN}{TP+FP+TN+FN} PA=TP+FP+TN+FNTP+TN
- CPA
在类别 i 的预测值中，真实属于 i 类的像素准确率，换言之：模型对类别 i 的预测值有很多，其中有对有错，预测对的值占预测总值的比例
混淆矩阵计算：
类 1 ： P 1 = T P ( T P + F P ) 类1：P1 = \frac{TP} {(TP + FP)} 类1：P1=(TP+FP)TP
类 2 ： P 2 = T P ( T P + F P ) 类2：P2 = \frac{TP} {(TP + FP)} 类2：P2=(TP+FP)TP
类 3 ： ... 类3：... 类3：...
- MPA：类别平均像素准确率 分别计算每个类被正确分类像素数的比例，即：CPA，然后累加求平均
混淆矩阵计算：
每个类别像素准确率为：Pi（计算：对角线值 / 对应列的像素总数）
M P A = s u m ( P i ) 类别数 MPA = \frac{sum(P_i) } {类别数} MPA=类别数sum(Pi)
- IoU：交并比
模型对某一类别预测结果和真实值的交集与并集的比值
混淆矩阵计算：
以求二分类：正例（类别1）的IoU为例
交集：TP，并集：TP、FP、FN求和
IoU = TP / (TP + FP + FN)
- MIoU：平均交并比
模型对每一类预测的结果和真实值的交集与并集的比值，求和再平均的结果
混淆矩阵计算：
以求二分类的MIoU为例
MIoU = (IoU正例p + IoU反例n) / 2 = [ TP / (TP + FP + FN) + TN / (TN + FN + FP) ] / 2
2.3 代码实现
=持续更新=========