关于评价指标的理解(TPR,FPR,TAR,FAR,FRR,ERR)

人脸识别算法评估指标解析

最新推荐文章于 2025-02-13 12:12:40 发布

原创最新推荐文章于 2025-02-13 12:12:40 发布 · 2.8w 阅读

73 ·

CC 4.0 BY-SA版权

本文深入探讨了人脸识别算法的评估指标，包括TPR、FPR、TAR、FAR、FRR、ERR以及ROC曲线和AUC的概念。通过实例解释了这些指标在人脸识别中的应用，并介绍了如何使用Python绘制ROC曲线。

近期，一直在做人脸识别方面的研究，在阅读paper的时候，发现对一些指标认识不足，因此，从新学习认识算法的评价指标，非常感谢https://blog.youkuaiyun.com/liuweiyuxiang/article/details/81259492，学习到了很多。

由于在做人脸之前，做的是工业上的检测，对于工业上检测，常用指标为TPR(True Positive Rate),FPR(False Positive Rate),TPR以及FRP是在做分类、检测常用的指标分析，TPR为真正率，FPR为假正率，他们均是基于混淆矩阵的度量标准。

混淆矩阵

真阳性(True Positive Rate)：分类器正确分类且本身为正例，为图上的15

真阴性(True Negative Rate)：分类器正确分类且本身为负例，为图上的118

假阳性(False Positive Rate)：分类器错误分类本身为负例，为图上的12

假阴性(False Negative Rate)：分类器错误分类本身为正例，为图上的47

因此，由上述所知，TPR=TP/(TP+FN),即正确识别的正例数据占据总的正例数据的比例，为召回率；FPR=FP/(FP+TN),即实际值为负例数据，将负例数据预测为正例的百分比；

在了解了TPR、FPR以及混淆矩阵后，需要了解ROC曲线，即能直观的描述分类器的优劣，根据TPR以及FPR来绘制ROC曲线，如图所示，横坐标为FPR，纵坐标为TPR:

曲线离(0,1)越近的点分类器的效果越好，同样AUC(area under thecurve)即ROC曲线的下部面积，越大分类器越好。

在了解了TPR、FPR、ROC以及AUC的相关信息后，对于人脸识别的TAR、FAR、FRR以及ERR较更容易理解。

TAR(True Accept Rate)表示正确接受比例，FAR(False Accept Rate)表示错误接受比例，所谓的接受比例即在人脸验证过程中，两张图像被认为是同一个人

FAR：即在做人脸验证过程中，通常是将两张人脸映射到高维空间的高维向量，然后计算两个高维向量的相似度以及距离。一般认为两张人脸是同一人，那么相似度较高，不是同一个人相似度较低。通过给定一个阈值T，如果两张的人脸的相似度大于T，则被认为同一人脸，反之则为不同人。无论将T设置为任何值，均会出现FAR一定的错误接受比例，FAR即在比对不同人的图像时，把其中的图像当作为同一人的比例，FAR的比例越小越好。FAR=非同人相似度>T/非同人比较的次数。

TAR:在比对相同人图像的时候，把相同人图像识别正确的比例，即正确接受比例。TAR=同人相似度>T/同人比较的次数，相比于FAR相比，TAR越高意味着模型的鲁棒性越好。

FRR:错误拒绝率，FRR=同人相似度<T/同人相似度，FRR=1-TAR

EER:即等误率，即在某一值时，FRR=FAR

在阅读论文中，经常常见的指标为:TAR @ FAR=0.00100，之所以采用这样的指标是由于如上所示，不同的阈值对应着不同的FAR以及TAR。假如增大阈值，那么FAR的比例变小，同样TAR的比例也变小，FRR的比例增大。因此在做报告的时候，需要指定FAR的比例，即在相同错误接受比例下的TAR越大，即识别鲁棒性越强。

使用python绘制ROC曲线

常用的绘制ROC曲线是通过使用sklearn.metrics，包括计算召回率，精确率等，在绘制ROC曲线时，先求得评估得指标即调用metrics下的roc_curve,auc再去绘制，代码如下所示，

from sklearn.metrics import roc_curve, auc
###得到roc数据
# 数据准备
>>> import numpy as np
>>> from sklearn import metrics
>>> y = np.array([1, 1, 2, 2])
>>> scores = np.array([0.1, 0.4, 0.35, 0.8])

# roc_curve的输入为
# y: 样本标签
# scores: 模型对样本属于正例的概率输出
# pos_label: 标记为正例的标签，本例中标记为2的即为正例
>>> fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)
# 假阳性率
>>> fpr
array([ 0. ,  0.5,  0.5,  1. ])
# 真阳性率
>>> tpr
array([ 0.5,  0.5,  1. ,  1. ])
# 阈值
>>> thresholds
array([ 0.8 ,  0.4 ,  0.35,  0.1 ])

# auc的输入为很简单，就是fpr, tpr值
>>> auc = metrics.auc(fpr, tpr)
>>> auc
0.75


###绘制ROC曲线
import matplotlib.pyplot as plt
plt.figure()
lw = 2
plt.plot(fpr, tpr, color='darkorange',
         lw=lw, label='ROC curve (area = %0.2f)' % auc)
plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()

参考博客:

https://blog.youkuaiyun.com/liuweiyuxiang/article/details/81259492