常用的评测指标

本文介绍了NDCG(归一化折扣累积增益)的概念及其组成部分,包括顺序影响、归一化处理和累积计算等核心概念,并对ROC曲线和AUC(曲线下面积)进行了详细的解释。
  • NDCG(Normalized Discounted Cumulative Gain): 维基百科写的很清楚。
    注意理解这四个词。
    Discounted:顺序影响指标。
    Normalized:消除文档个数对指标的影响。
    Cumulative:累积。

  • ROC和AUC
    参考:ROC和AUC介绍以及如何计算AUC

### 目标检测常用评价指标详解 #### 平均精度 (Average Precision, AP) AP 是目标检测中非常重要的一个评价指标,表示的是 **Precision-Recall 曲线下方的面积**。对于一个好的分类器而言,其 AP 值通常较高[^3]。在实际计算过程中,AP 反映了一个特定类别下模型的表现情况。 #### Mean Average Precision (mAP) mAP 则是对多个类别的 AP 进行平均后的结果,用来综合评估模型在整个数据集上的性能。具体来说,它是通过对每个类别单独计算 AP 后再取平均值得到的结果[^4]。这种设计使得 mAP 能够更好地反映多类别场景下的检测效果以及不同类别间的平衡性。 #### 精确率 (Precision) 精确率定义为真正例数量占预测正例总数的比例,即 \( \text{Precision} = \frac{\text{TP}}{\text{TP}+\text{FP}} \),其中 TP 表示真阳性样本数,FP 表示假阳性样本数。高 Precision 意味着模型很少错误地标记负样本为正样本[^5]。 #### 召回率 (Recall) 召回率是指被正确识别出来的正样例数目占所有真实正样例总比例,表达式为 \( \text{Recall} = \frac{\text{TP}}{\text{TP}+\text{FN}} \),这里 FN 是指未检出的实际正样本的数量。较高的 Recall 显示该算法能够有效地找到尽可能多的相关实例。 #### 交并比 (Intersection over Union, IOU) IOU 度量用于判断两个边界框重叠程度的一个标准方法,在目标定位任务里尤其重要。它的基本原理是比较预测框和地面实况之间区域大小的关系,当且仅当 IOU 大于设定阈值时才认为两者匹配成功[^2]。 ```python def compute_iou(boxA, boxB): # determine the coordinates of the intersection rectangle xA = max(boxA[0], boxB[0]) yA = max(boxA[1], boxB[1]) xB = min(boxA[2], boxB[2]) yB = min(boxA[3], boxB[3]) # compute the area of intersection rectangle interArea = max(0, xB - xA + 1) * max(0, yB - yA + 1) # compute the area of both boxes boxAArea = (boxA[2] - boxA[0] + 1) * (boxA[3] - boxA[1] + 1) boxBArea = (boxB[2] - boxB[0] + 1) * (boxB[3] - boxB[1] + 1) iou = interArea / float(boxAArea + boxBArea - interArea) return iou ``` 以上这些指标共同构成了现代目标检测领域内的核心评测体系,帮助研究者们更全面地分析模型优劣之处。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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