看懂YOLOv7混淆矩阵的含义，正确计算召回率、精确率、误检率、漏检率 |
您所在的位置：网站首页 › 误报和漏报什么意思 › 看懂YOLOv7混淆矩阵的含义，正确计算召回率、精确率、误检率、漏检率 |
看懂YOLOv7混淆矩阵的含义，正确计算召回率、精确率、误检率、漏检率
|
文章目录
1、准确率、精确率、召回率、误报率、漏报率概念及公式1.1 准确率 Accuracy1.2 精确率 Precision1.3 召回率 Recall1.4 F1-Score1.5 误检率 false rate1.6 漏检率 miss rate
2、YOLOv7混淆矩阵分析
1、准确率、精确率、召回率、误报率、漏报率概念及公式
重点参考博文：【机器学习】准确率、精确率、召回率、误报率、漏报率概念及公式误报率、漏报率、准确率和召回率（虚警率、漏警率）
误报率和漏报率的关系：一般来说无法同时降低误报率和漏报率。举个例子来说，某门卫为了防止小偷进入小区，凡是过往人员都要盘查，这时漏报率为0，但是显著提高了误报率；反之如果门卫什么都不做，任由人员出入，那么这是漏报率就会提高，而误报率降低为0。漏检率 + 召回率 = 1，也就是召回率越高，漏检率越低 【积累】机器学习知识，看里面的1.1.2 二分类问题
阳性（正）样例 P 和 阴性（负）样例 N： 正样本预测为正样本的为True positive（TP）正样本预测为负样本的为False negative（FN）负样本预测为正样本的为False positive（FP）负样本预测为负样本的为True negative（TN）所以有： P = T P + F N N = F P + T N P = TP + FN \\ N = FP + TN P=TP+FNN=FP+TN 1.1 准确率 Accuracy 反映模型对整体样本判断正确的能力，值越大越好但样本不平衡时，ACC 不能很好地评估模型性能 A c c = T P + T F T P + F P + T N + F N Acc = \frac{TP + TF}{TP + FP + TN + FN} Acc=TP+FP+TN+FNTP+TF 1.2 精确率 Precision 反映模型正确预测正样本精度的能力，值越大越好也称精度，查准率，阳性预测值(positive predictive value, PPV)即：衡量在所有预测为正样本的数据中，有多少是真正的正样本 P r e c i s i o n ( P P V ) = T P T P + F P Precision(PPV) = \frac{TP}{TP + FP} Precision(PPV)=TP+FPTP 1.3 召回率 Recall 反映模型正确预测正样本全度的能力，值越大越好也称真阳性率（true positive rate, TPR），灵敏度，查全率即：衡量在所有真实的正样本中，有多少被预测为正样本 R e c a l l ( T P R ) = T P T P + F N = T P P Recall(TPR) = \frac{TP}{TP + FN}=\frac{TP}{P} Recall(TPR)=TP+FNTP=PTP 1.4 F1-Score 是对精确率和召回率的加权求和 F 1 − S c o r e = 2 × P r e c i s i o n × R e c a l l P r e c i s i o n + R e c a l l F1-Score=\frac{2×Precision×Recall}{Precision+Recall} F1−Score=Precision+Recall2×Precision×Recall 1.5 误检率 false rate 反映模型正确预测正样本纯度的能力，值越小越好又称虚警率、假阳性率（False Positive Rate）即：在所有真实的负样本中，有多少被预测为正样本 F P R = F P T N + F P = F P N FPR=\frac{FP}{TN + FP}=\frac{FP}{N} FPR=TN+FPFP=NFP 1.6 漏检率 miss rate 反应模型正确预测负样本纯度的能力，值越小越好又称错检率、漏警率、假阴性率（False Negative Rate）即：在所有真实的正样本中，有多少被预测为负样本漏检率 + 召回率 = 1 F N R = F N T P + F N = F N P FNR=\frac{FN}{TP+FN}=\frac{FN}{P} FNR=TP+FNFN=PFN 2、YOLOv7混淆矩阵分析 应该YOLO其他系列的也可以这样分析图中格子里面的数字表示比例，其余重要的含义在图中已表示
例如，通过计算可以得到：对角线的值就表示的召回率，漏检率=1-Recall=0.4 类别 D 00 的召回率 = R e c a l l ( T P R ) = T P T P + F N = T P P = 0.60 0.60 + 0.01 + 0.39 = 0.6 类别 D 00 的漏检率 = F N R = F N T P + F N = F N P = 0.01 + 0.39 0.60 + 0.01 + 0.39 = 0.4 = 1 − R e c a l l 类别D_{00}的召回率=Recall(TPR) = \frac{TP}{TP + FN}=\frac{TP}{P}=\frac{0.60}{0.60+0.01+0.39}=0.6\\ 类别D_{00}的漏检率= FNR=\frac{FN}{TP+FN}=\frac{FN}{P}=\frac{0.01+0.39}{0.60+0.01+0.39}=0.4=1-Recall 类别D00的召回率=Recall(TPR)=TP+FNTP=PTP=0.60+0.01+0.390.60=0.6类别D00的漏检率=FNR=TP+FNFN=PFN=0.60+0.01+0.390.01+0.39=0.4=1−Recall 以D00类别来看： 该列除了对角线上的那个值以外，反映的是漏检率（漏检成了其他的类别）该行除了对角线上的那个值以外，反映的是误检率（误检成了其他的类别）例如，第1列第3行的值0.01表示：漏检D00且认为是D20的概率是0.01 第2列第1行的值0.01表示：误检D00且认为是D10的概率是0.01 |
【本文地址】