1.随机取块的方式相对于整张图片来说更容易收敛
2.关于准确率与召回率的问题:
先理解这四个参数:TP、FP、TN、FN,在理解的时候,先看第二个符号,第二个符号代表我们的结果,第一个符号代表系统对我们的结果给出的判断。
比如说TP,第二个符号P代表我们认为是正确的,T代表我们的猜测是正确的,那就说明真正的标签是正确的且我们猜对了。
比如说TN,第二个符号N代表我们认为是错误的,T代表我们的猜测是正确的,那就说明真正的标签是错误的且我们猜对了。
比如说FP,第二个符号P代表我们认为是正确的,F代表我们的猜测是错误的,那就说明真正的标签是错误的但我们猜错了。
比如说FN,第二个符号N代表我们认为是错误的,F代表我们的猜测是错误的,那就说明真正的标签是正确的但我们猜对了。
准确率:,即在你认为对的答案里面有多少是真的正确(分母中包含在标签为错误的样本FP)
召回率:,即在真正正确的答案中,你预测了多少个正确的(分母中为标签中正确样本的总数)
其他的评价指标可在此基础上进行理解,如:
- ACC:classification accuracy,描述分类器的分类准确率
计算公式为: - TPR:true positive rate,描述识别出的所有正例占所有正例的比例,敏感度(sensitivity)、查全率(Recall)
计算公式为: - TNR:true negative rate,描述识别出的负例占所有负例的比例,特异度(specificity)
计算公式为: - PPV:Positive predictive value,阳性预测值、查准率(Precision)
计算公式为: - NPV:Negative predictive value,阴性预测值
计算公式: - FPR:false positive rate,描述将负例识别为正例的情况占所有负例的比例
计算公式为: - FNR:false negative rate,描述将正例识别为负例的情况占所有正例的比例
计算公式为: - BER:balanced error rate
计算公式为:
总结如下(图片均来自维基百科):
样例如图: