AP、mAP、F1 Score、PR曲线、ROC曲线

最新推荐文章于 2024-03-20 19:47:09 发布
原创 最新推荐文章于 2024-03-20 19:47:09 发布 · 3.6k 阅读 · 27 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

本文介绍了几种常用的机器学习模型性能评估指标，包括准确度、精确度、召回率、F1分数、平均精度（AP）、平均平均精度（mAP）及接收者操作特性曲线（ROC）。并详细解释了这些指标的意义、计算公式及其应用场景。

1. 基础概念

混淆矩阵：
在这里插入图片描述
通过研究该混淆矩阵，可以构造如下几个指标：
(1) Accuracy(准确度)：

  • 意义：用于同时衡量分类器对于正负样本的分类正确性。
  • 不足：当测试样本不平衡时，该指标会失去意义。例如：100个样本中负样本占有98个，那么分类器只需将所有样本分为负类即可达到98%的准确度。
  • 公式：accuracy=TP+FNTP+FN+FP+TNaccuracy = \frac{TP + FN}{TP+FN+FP+TN}accuracy=TP+FN+FP+TNTP+FN​

(2) Precesion(精确度)：

  • 意义：衡量分类器对于正样本的查准率，表示分类器对于正负样本的区分能力。当区分能力强时，容易将部分（与负样本相似度高）正样本排除。
  • 公式：precesion=TPTP+FPprecesion = \frac{TP}{TP+FP}precesion=TP+FPTP​

(3) Recall(召回率)、敏感性：

  • 意义：衡量分类器对于正样本的查全率，表示分类器对于正样本的敏感度或覆盖度。当敏感度高时，容易将部分（与正样本相似度高）负样本也判断为正样本。
  • 公式：recall=TPTP+FNrecall = \frac{TP}{TP+FN}recall=
最低0.47元/天 解锁文章
机器学习理论之mAP 查全率 查准率 IoU ROC PR曲线 F1值
学习中
10-31 671
机器学习理论之mAP 查全率 查准率 IoU ROC PR曲线 F1值
深度学习中ROC曲线和PR曲线及引申的相关知识
weixin_41714523的博客
05-04 1537
接受者操作特性曲线（receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。得此名的原因在于曲线上各点反映着相同的感受性，它们都是对同一信号（代表第二章的阈值）刺激的反应，只不过是在几种不同的判定标准下所得的结果而已。接受者操作特性曲线就是以虚惊概率为横轴，击中概率为纵轴所组成的坐标图，和被试在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线 [1]。
如何绘制深度学习-目标检测评估指标P-R（precision-recall）曲线？如何计算AP（average-precision）？
Dontla的博客
02-06 3341
参考文章：深度学习-目标检测评估指标P-R曲线、AP、mAP 文章目录P-R曲线：AP计算： 下面通过具体例子说明。 首先用训练好的模型得到所有测试样本的confidence score，每一类（如car）的confidence score保存到一个文件中（如comp1_cls_test_car.txt）。假设共有20个测试样本，每个的id，confidence score和ground ...
PR curve, AP, mAP, AUC, f1-score ??
lyyiangang的博客
08-22 1916
https://github.com/rafaelpadilla/Object-Detection-Metrics
F1score/P-R曲线/ROC曲线/AUC
qq_40415753的博客
10-25 6922
1.分类正确的样本占总样本个数的比例。 2.TP/FP/FN/TN 1）True positive(TP): 真正例，将正类正确预测为正类数； 2）False positive(FP): 假正例，将负类错误预测为正类数； 3）False negative(FN):假负例，将正类错误预测为负类数； 4）True negative(TN): 真负例，将负类正确预测为负类数。 3.Pre...
目标检测Object Detection下的P-R曲线，AP，mAP，AUC，ROC曲线详解
catscanner的博客
12-22 1万+
目录P-R曲线APmAP P-R曲线 上篇文章我们详细说了一下Detection中的Recall和Precision的计算，P-R曲线就是Precision和Recall画出的曲线。 AP mAP
机器学习分类问题指标理解——准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积
Michael的博客
03-18 1万+
简单理解分类问题的7项模型评估指标：准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积
Dice系数,F1-score,ROC-AUC的含义，PR曲线含义
qxqsunshine的博客
03-14 1万+
1.Dice系数 Dice距离主要是用来计算两个集合的相似性的(也可以度量字符串的相似性).计算公式如下: 2. F1 score F1分数是用来衡量二分类模型精确度的一种指标,同时考虑到分类模型的准确率和召回率.可看做是准确率和召回率的一种加权平均. 在已知精确率和召回率的情况下 求得的一种平均的结果. 3. 各种指标的含义 precision: 预测为对的当中,原本是对的比...
目标检测中的一些评价标准（ACC,Precision，recall，AP,MAP,F1Score，ROC,AUC）
justsolow的博客
04-17 8303
目标检测中的一些评价标准（ACC,Precision，recall，AP,MAP,F1Score，ROC,AUC） 介绍这些之前，应该了解一下最基本的TP,TN,FP,FN. 先看一下下面这些解释。 True positives: 简称为TP，即正样本被正确识别为正样本，飞机的图片被正确的识别成了飞机。 True negatives: 简称为TN，即负样本被正确识别为负样本，大雁的图片没有被识别出...
mAP及PR曲线
wanjucan7729的博客
01-14 457
mAP数据
用于yolo计算mAP和PR曲线使用
10-19
用于yolo计算mAP和PR曲线使用，里面有4个python文件，分为python2和python3版本
准确率、精确率、召回率、F1 score、AP、MAP
qq_23022733的博客
08-31 606
准确率、精确率、召回率、F1 score 参考：AP、MAP 参考：，
map(macro average precision) 与 F1score
zjm750617105的专栏
08-09 5083
之前写过关于准确率和召回率： http://blog.youkuaiyun.com/zjm750617105/article/details/54914184map， macro average precision， 宏平均准确率：其实就是 各个类别的准确率的平均值， 每个类别的准确率计算参考上面的链接。具体例子： [[ 7 28 0 0 0 0 0 93] [ 5 28
P-R曲线与mAP
许进进的博客
06-04 7544
reference：http://blog.youkuaiyun.com/marising/article/details/6543943 在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。 准确率、召回率、F1 信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，...
深度学习中准确率、精确率、召回率、误报率、漏报率、F1-Score、AP&mAP、ROC曲线、AUC、MAE、MAPE、MSE、RMSE、R-Squared等指标的解释说明
yueguang8的博客
03-20 1万+
在深度学习学习中，有许多常用的评估指标用于衡量模型的性能。下面是一些常见的指标及其定义和说明。关键名字解释：TP表示真正例（True Positive），即模型正确预测为正例的样本数量；TN表示真负例（True Negative），即模型正确预测为负例的样本数量；FP表示假正例（False Positive），即模型错误地将负例预测为正例的样本数量；FN表示假负例（False Negative），即模型错误地将正例预测为负例的样本数量。
目标检测中PR曲线和mAP
weixin_43869938的博客
10-12 1万+
1. 基本概念 （1）交并比 - Intersection Over Union (IOU) 交并比（IOU）是度量两个检测框（对于目标检测来说）的交叠程度，公式如下： B_gt 代表的是目标实际的边框（Ground Truth，GT），B_p 代表的是预测的边框，通过计算这两者的 IOU，可以判断预测的检测框是否符合条件，IOU 用图片展示如下： （2）TP、FP、FN、TN True Positive (TP): IoU>IOUthresholdIOU_{threshold}IOUthre
机器学习基础---分类与检测的评价指标---AP，mAP，PR曲线
热门推荐
xys430381_1的专栏
06-04 2万+
AP和mAP是图像分类任务中的评价方法。 AP 首先，AP也是对所有图片内的某一类来说的。 AP的计算方法： 1、首先使用训练好的模型获得所有测试样本的confideutnce score，每个类别（如person、car等）都会获得一组confidence score，假设现在共有20个测试样本，如下给出这20个样本的id、confidence score、真实标签ground truth la...
ROC曲线、P-R曲线以及mAP
Mr_health的博客
07-20 3597
P-R曲线 P-R曲线，全称时precision-recall，纵轴为查准率（precision），横轴为查全率（recall）。 查准率的计算公式如下，表示所有预测为正例的数据中，真正例所占的比例，公式如下：。 查全率是指预测为真正例的数据占所有正例数据的比： 查准率和查全率是一对矛盾的度量，一般来说，precision高时，recall往往偏低，recall高时，precision往往偏低。 可以这么理解，我们通过降低阈值thresh，可以有效增加TP，进而提升recall值，但是同时
目标检测中的评估指标：PR曲线、AP、mAP
Clichong
06-08 5659
文章目录1.precision & recall2.P-R曲线3.AP计算4.mAP计算 1.precision & recall 规定IOU > 0.5表示物体被检测出来 以下面一个猫狗的例子介绍precision与recall，任务找其中狗 我们将被正确识别的狗，称为True positives。我们将被正确识别的猫称为True negatives。为什么会有这个概念？什么是被正确识别的猫？我们知道我们这里的目标是找狗，那么那些我们没有标注的猫，是不是从反向说明我们的查找准确率（
map曲线图横纵坐标含义
最新发布
04-18
### MAP曲线图的横纵坐标含义 在机器学习领域，特别是涉及目标检测或多类别的分类任务时，平均精度均值（Mean Average Precision, mAP）是一个常用的性能度量标准。mAP 的可视化通常通过绘制 AP 曲线或 ROC/AUC 图形实现。 #### 横坐标的含义 在大多数情况下，MAP 曲线图中的 **横坐标表示召回率（Recall）**。 召回率定义为实际正样本被正确识别的比例，其公式如下： \[ \text{Recall} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}} \][^1] - True Positives (TP): 正确预测为正类的数量。 - False Negatives (FN): 实际为正类却被错误预测为负类的数量。 因此，横坐标展示了随着阈值变化，模型能够捕获多少比例的真实正样本。 --- #### 纵坐标的含义 对于 MAP 曲线图而言，**纵坐标一般代表精确率（Precision）** 或者其他特定指标（如 F1-Score）。 精确率是指预测为正类的结果中有多少确实是正类，其公式为： \[ \text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}} \][^2] - False Positives (FP): 错误地预测为正类但实际上为负类的数量。 精确率反映了模型对正类预测的信心程度以及减少假阳性的能力。 --- #### 特殊情况下的扩展理解 有时，在更复杂的场景下，例如多类别目标检测任务中，可能会引入 IoU（Intersection over Union）作为额外维度参与绘图。此时： - 如果是 PR 曲线形式，则横轴仍为 Recall，而纵轴可能变为不同 IoU 阈值条件下的 Precision 平均线。 - 若采用 AUC 表达方式，则横轴可能是不同的决策阈值范围 \( [0, 1] \)，纵轴则对应累积计算得出的 AP 值[^3]。 以下是 Python 中绘制简单 PR 曲线的一个例子： ```python import matplotlib.pyplot as plt from sklearn.metrics import precision_recall_curve # 示例数据 y_true = [0, 1, 1, 0, 1] y_scores = [0.1, 0.4, 0.35, 0.8, 0.7] precision, recall, thresholds = precision_recall_curve(y_true, y_scores) plt.figure() plt.plot(recall, precision, marker='.') plt.xlabel('Recall') plt.ylabel('Precision') plt.title('PR Curve Example') plt.grid(True) plt.show() ``` 此代码片段生成了一条典型的 PR 曲线，其中 `recall` 和 `precision` 数组分别构成了横纵坐标的数据点集合。 ---
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值