CV——图像分类的性能评价_怎么从cv数据中看出性能-优快云博客

本文链接：https://blog.youkuaiyun.com/Dedication_/article/details/118468522

本文深入探讨了机器学习中的正确率、错误率、精确率、召回率和F1值等关键评估指标，以及它们在衡量分类器性能时的作用。此外，还介绍了平均精度均值（mAP）、ROC曲线和AUC的概念，这些指标对于优化模型至关重要。通过对这些概念的了解，可以帮助开发者更好地调整和提升模型的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

正确率与错误率

正确率：被正确分类的样本数 / 总待分类的样本数

错误率：被错误分类的样本数 / 总待分类的样本数

关系：正确率+错误率=1

混淆矩阵

M	实际1	实际0
预测1	TP	FP
预测0	FN	TN

TP：被正确分类为正样本

FP：被错误分类为正样本

FN：被错误分类为负样本

TN：被正确分类为负样本

（记忆技巧：T为正确   F为错误   P为正样本  N为负样本）

精确率与召回率——综合F1

**Precision(查准率)**：TP / (FP+TP) —— 被检测为正样本中多少为 真正的样本

**Recall(查全率)**：TP / (TP+FN) ——所有的真正样本 有多少被检测为正样本

关系：两个指标要同时高分才能证明分类器性能好，所以有了 F1值

**F1值**：(1/Precison + 1/Recall) / 2 —— 精确率与召回率的调和平均

不好的情况：
检测的对——precision高
遗漏的多——recall低
好的情况：
检测的对——precision高
遗漏的少——recall高

mAP——m classes Average Precision

AP为一个类别的平均准确率，它是Precision与Recall为坐标轴形成的面积

m即多个类别的平均准确率

mAP越高，代表分类器性能越好

ROC曲线

指的是TPR与FPR之间的关系，以TPR为纵坐标，FPR为横坐标

TPR（真正率）：TP / (TP+FN) —— 正确检测为正样本 在实际正样本的占比

FPR（假正率）：FP / (FP+TN) —— 错误检测为正样本 在实际负样本的占比

绘制的曲线越接近左上角，代表分类器性能越好，**即真正率高而假正率低**

AUC——Area under Curve(ROC)

其为ROC曲线下的面积，面积越接近1，分类器性能越好