一、有监督情况下，常用的指标有哪些？
在有真实标签 (Ground Truth) 的情况下，常用的指标如下
以下是你可以计算的指标，按从基础到进阶的顺序排列：
1. 基础分类指标 (Basic Classification Metrics)
这是最常用的一组指标，用于衡量分选结果的"准"与"全"。
-
准确率 (Accuracy)
-
定义：分选正确的脉冲数占总脉冲数的比例。
-
公式： \\frac{TP + TN}{Total}
-
意义：全局指标，但在样本不均衡（比如某个雷达发了1万个脉冲，另一个只发了100个）时会失真。
-
-
精确率 (Precision / 查准率)
-
定义：预测为雷达A的脉冲中，真正属于雷达A的比例。
-
公式： P = \\frac{TP}{TP + FP}
-
雷达含义 ："虚警率"的反面。精确率低意味着把很多别的信号（噪声或其他雷达）错分给了这个雷达。
-
-
召回率 (Recall / 查全率 / PD)
-
定义 ：本来属于雷达A的脉冲中，被成功找出来的比例。在雷达领域常称为 发现概率 (Probability of Detection, PD)。
-
公式： R = \\frac{TP}{TP + FN}
-
雷达含义 ："漏警率"的反面。召回率低意味着丢了很多该雷达的脉冲。
-
-
F1-Score
-
定义：精确率和召回率的调和平均数。
-
公式： 2 \\times \\frac{P \\times R}{P + R}
-
意义：综合考量虚警和漏警，是一个比较公正的单值指标。
-
2. 雷达专用指标 (Radar Specific Metrics)
针对信号分选任务特有的业务指标。
-
漏警率 (Miss Rate)
-
公式： 1 - Recall
-
意义：有多少个脉冲没被分选出来（或者被丢弃到"未知/噪声"类里了）。
-
-
错分率 (Error Sorting Rate)
-
定义：本来是雷达A的脉冲，被错误地分给了雷达B的比例。
-
意义：衡量算法处理"参数重叠"或"多义性"的能力。
-
-
虚假辐射源产生率 (Ghost Emitter Rate)
-
定义：算法报告发现了"雷达X"，但实际上环境中根本没有雷达X。
-
场景：常见于聚类算法（如SDIF, CDIF）将多部雷达的谐波或交错脉冲误判为一部新雷达。
-
4. 混淆矩阵 (Confusion Matrix)
这不是一个单一的数字，而是一个表格，是分析错误的神器。
-
行：真实标签 (Radar 1, Radar 2, ...)
-
列：预测结果 (Radar 1, Radar 2, ..., Unknown)
-
用途 ：一眼看出 Radar 1 经常被错分成 Radar 5（说明这两部雷达参数太像了，或者算法在那个参数区间有缺陷）。
二、聚类指标有哪些？
在聚类任务中，常见的评价指标有：纯度（Purity）、兰德系数（Rand Index, RI）、F值（F-score）和调整兰德系数（Adjusted Rand Index,ARI）。同时，这四种评价指标也是聚类相关论文中出现得最多的评价方法。
如果你使用的是无监督学习（如K-Means, DBSCAN）进行分选，然后用标签来验证，这些指标很有用：
-
调整兰德指数 (Adjusted Rand Index, ARI)
-
范围：[-1, 1]，越接近1越好。
-
意义：衡量你的分选结果（聚类簇）和真实标签的吻合程度，且消除了随机运气的影响。
-
-
互信息 (Mutual Information, MI / NMI)
- 意义：衡量预测结果包含了多少关于真实标签的信息量。
其他的无监督指标详情参考链接：https://zhuanlan.zhihu.com/p/343667804