개체 감지 메트릭
표적 탐지를 하고 있지만 지표의 의미와 계산 방식이 항상 불명확하고 잊어버리기 쉽습니다. 기록할 메모를 작성합니다.
혼동 행렬
인터넷상의 TP, FP, FN, TN에 대한 설명은 보면 볼수록 어지러워지는데, 다음은 저만의 이해입니다.
이전 T 또는 F는 모델이 이번에 올바르게 예측하는지 또는 잘못 예측하는지 여부 를 나타냅니다 .
다음 P 또는 N은 모델이 이번에 긍정적 또는 부정적 예를 예측하는지 여부를 나타냅니다 .
예를 들어 수박의 품질을 판단하십시오.
TP : 모델은 이 수박이 좋은 멜론(P, positive)이라고 예측하고 실제로는 좋은 멜론(T, 예측이 맞음, True)입니다.
FP : 모델은 수박이 좋은 멜론(P, positive)이라고 예측하지만 실제로는 나쁜 멜론(F, 잘못된 예측, False)입니다.
TN : 모델은 수박이 나쁜 수박이라고 예측하지만(N, Negative) 실제로는 나쁜 수박입니다(T, 예측이 맞음, True).
FN : 모델은 수박이 나쁜 멜론(N, Negative)이라고 예측하지만 실제로는 좋은 멜론(F, 잘못된 예측, False)입니다.
정밀도(accuracy)
acc = TP + TNTP + TN + FP + FN acc = \frac{TP + TN}{TP + TN + FP + FN}참조 _=TP+테네시+FP+FNTP+테네시
모델의 모든 예측 결과에 대한 모델 에 의해 올바르게 예측된 결과의 수 의 비율입니다 .
정밀율(정밀도 정밀도) P
정밀도 = TPTP + FP 정밀도 = \frac{TP}{TP + FP}정확한 기록 _ _ _ _ _=TP+FPTP
모델은 클래스에 대한 정확한 예측의 확률을 예측합니다. 모델에서 예측한 결과 중 얼마나 많은 결과가 올바르게 예측되었는지에 초점을 맞춥니다.
회수율(recall rate 회수) R
리콜 = TPTP + FN 리콜 = \frac{TP}{TP + FN}모두 기록 _=TP+FNTP
이 모델은 총 양성 샘플 수를 고려하여 특정 클래스의 샘플 수를 정확하게 예측합니다. 초점은 모델이 포지티브 샘플을 포함할 것으로 예측하는 정도에 있습니다.
F1
F ( k ) = ( 1 + k ) * P * R ( k * k ) * P + RF(k) = \frac{(1 + k) * P * R}{(k * k) * P + R }에프 ( 케이 )=( k∗케이 )∗피+아르 자형( 1+케이 )∗피∗R
F1은 F(1)
F 1 = 2 ∗ P ∗ RP + R F1 = \frac{2 * P * R}{P + R}Q1 _=피+아르 자형2∗피∗R
F1은 알고리즘의 장단점을 구분하는데 사용되며, 누락된 검출의 우선순위가 높고, 오검출이 뒤따른다.
PR 곡선
세로축은 Precision, 가로축은 Recall의 그래프입니다. 계산 방법은 클래스를 계산하고 모델 예측 결과의 점수를 정렬하는 것입니다. 각 점수를 개별적으로 임계값으로 지정하여 새로운 TP, FP 및 FN을 얻고 각각 P 및 R을 계산합니다. 이 클래스의 PR 곡선을 가져옵니다.
AP와 맵
AP(Average Precision): 평균 정밀도, 두 가지 알고리즘, 하나는 PR 곡선이 부드럽게 된 후 PR 곡선 영역을 찾는 것입니다. 하나는 R을 평균 11개 지점으로 나누고 해당 P의 평균값을 계산하는 것입니다.
mAP(평균 AP): 각 범주의 평균 AP.