分类、目标检测中的评价指标

一：准确率（Accuracy）、错误率 （Error rate）

准确率 = 正确分类的样本数 / 总样本数

错误率 = 错误分类的样本数 / 总样本数  =  1 - 准确率

Top-1准确率：预测类别按置信度从高到低排序，取排名第一的类别作为预测结果，计算准确率

Top-5准确率：取排名前五的类别作为预测结果（只要包含真实类别，就算分类正确），计算准确率

二：混淆矩阵（Confusion Matrix）

混淆矩阵又称错误矩阵，把预测结果与真实标签按类别对应，在一个矩阵中显示出来，方便直观地评估结果。

横轴是模型预测的类别数量统计，纵轴是数据真实标签的数量统计。

对角线表示模型预测和数据标签一致的数目，所以对角线之和除以测试集总数就是准确率。对角线上数字越大越好，在可视化结果中颜色越深，说明模型在该类的预测准确率越高。

三：精确率、召回率、F指标

• 精确率（Precision）与召回率（Recall）：

对于二类分类问题常用的评价指标是精确率与召回率（在信息检索领域又叫查准率与查全率）。通常以关注的类为正类，其他类为负类。二分类的混淆矩阵为：

	预测为正类	预测为负类
正类	TP	FN
负类	FP	TP

Precision = TP/(TP+FP）

Recall     = TP/(TP+FN)

在实际使用中我们的模型通常不是直接预测出类别，而是预测出属于各类别的概率（或置信度），然后通过与阈值比较来划分正负预测结果的；阈值不同，结果就不同。这时我们可以画P-R曲线。

 

• F指标（F-Measure, F-score）:

精确率和召回率反映了分类器性能的两个方面，单一依靠某个指标并不能较为全面地评价一个分类器的性