浩瀚之水的专栏

Dice系数​（Dice Coefficient），也称为Dice相似系数​（Dice Similarity Coefficient, DSC），是衡量两个集合相似度的指标，广泛应用于图像分割任务​（尤其是医学影像）中评估预测结果与真实标签的重叠程度。

mIoU（Mean Intersection over Union）​ 是图像分割任务中衡量模型性能的核心指标，尤其广泛应用于语义分割和实例分割。

在图像分类任务中，​Top-1 Accuracy 和 ​Top-5 Accuracy 是评估模型性能的两个关键指标，尤其在多类别分类（如ImageNet的1000类）中被广泛使用。

ROC曲线是评估二分类模型性能的核心工具，通过可视化模型在不同阈值下的真正率（TPR）​和假正率（FPR）​的权衡关系，适用于类别均衡或轻度不平衡的场景。

PR曲线是评估分类模型性能的重要工具，特别适用于类别不平衡或需要重点关注正类识别能力的任务（如疾病诊断、欺诈检测）。

在目标检测、信息检索和多分类任务中，​AP（Average Precision，平均精度）​ 和 ​MAP（Mean Average Precision，平均精度均值）​ 是衡量模型排序质量和类别区分能力的重要指标。

增注：虽然当时看这篇文章的时候感觉很不错，但是还是写在前面，想要了解关于机器学习度量的几个尺度，建议大家直接看周志华老师的西瓜书的第2章：模型评估与选择，写的是真的很好！！以下第一部分内容转载自：机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)是怎么一回事摘要：数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率...

F值（F-Measure），也称为F1分数（F1 Score），是分类任务中用于综合评估模型和的指标，尤其适用于的场景。

准确率（Accuracy）是机器学习分类任务中最直观的性能评估指标之一，用于衡量模型整体预测正确的比例。

召回率是评估模型捕捉正类能力的关键指标，适用于高漏检代价的场景。实际应用中需结合精确率、F1分数或ROC-AUC等指标，根据业务需求权衡模型表现。