第七篇 图像分类的评价指标
Posted AI浩
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了第七篇 图像分类的评价指标相关的知识，希望对你有一定的参考价值。
一般情况来说，单一评分标准无法完全评估一个机器学习模型。只用good和bad偏离真实场景去评估某个模型，都是一种欠妥的评估方式。单标签分类的评价指标有：混淆矩阵，准确率(Accuracy),精确率（Precision）,召回率（Recall）,F1-score,ROC曲线和AUC。
混淆矩阵
-
TP:正样本且分类为正样本的数目为（True Positive）
-
FN:标签为正样本分类为负样本的数目（Flase Negative）
-
FP:标签是负样本分类为正样本的数目（Flase Positive）
-
TN：标签是负样本且分类为负样本的数目（True Negative）
第一种混淆矩阵:
| 真实情况T or F | 预测为正例1，P | 预测为负例0，N |
|---|---|---|
| 本来label标记为1，预测结果真为T、假为F | TP(预测为1，实际为1) | FN(预测为0，实际为1) |
| 本来label标记为0，预测结果真为T、假为F | FP(预测为1，实际为0) | TN(预测为0，实际也为0) |
第二种混淆矩
以上是关于第七篇 图像分类的评价指标的主要内容，如果未能解决你的问题，请参考以下文章