f1 score 代码_F1-Score的栗子-求取办法-以及参考代码

ゞ浴缸里的玫瑰 2023-01-02 04:20 89阅读 0赞

**F1-Score 求取办法**

来做一道小学题：

小明和小红在同一所学校上课，他们家li学校的距离相同。小明每天用速度6千米每小时的步行速度上学。小红每天用4千米每小时的速度上学。

问：从家到学校这段长度相等路程上，小明和小红的平均速度是多少？

错误的解法：

(6+4)/2=5 千米每小时

错误原因：

路程相等，但是因为小明和小红用的时间不一样，所以不能直接求平均值。速度，应该是算出总路程，然后算法总时间，用总路程/总时间。

正确的求法：

先求出小明走1千米的耗时：1/6 小时,再求出小红走1千米的耗时:1/4小时。

那么他们走2千米的耗时为：（1/6+1/4）小时

所以他们的平均速度为：2千米/(1/6+1/4)小时= 2/(10/24)=48/10=4.8千米每小时。

我们把公式抽象出来：

![136644deac89f44fec1b9675dc7903fd.png][]

速度是描述人行走的速度，是一种量度。

凡是要在量度上，求平均值，都可以用这种方式来求取。

准确率P是一种量度，评价模型所给出的所有结果的正确程度。

召回率R是一种量度，评价模型发现正确目标的能力。

准确率和召回率都是一种量度，他们求取平均值，也可以用这种方法

![42a546e35ad18ab195b91669b4ffd464.png][]

我们通常叫它F1-Score:

![211d4b57e63f48f7139328e9eace8d3e.png][]

检测问题的F1-Score 代码：

其实，检测问题主要是用IoU来求出 R和P，F1-score就是套用公式即可。

#用IoU计算gt与pre的匹配性 
            if len(gtPols)>0 and len(detPols)>0:
                #Calculate IoU and precision matrixs
                outputShape=[len(gtPols),len(detPols)]
                iouMat = np.empty(outputShape)
                # 匹配标记，0未匹配，1已匹配
                gtRectMat = np.zeros(len(gtPols),np.int8)
                detRectMat = np.zeros(len(detPols),np.int8)
                # 二重循环计算IoU矩阵
                for gtNum in range(len(gtPols)):
                    for detNum in range(len(detPols)):
                        pG = gtPols[gtNum]
                        pD = detPols[detNum]
                        iouMat[gtNum,detNum] = get_intersection_over_union(pD,pG)
    
                for gtNum in range(len(gtPols)):
                    for detNum in range(len(detPols)):
                        
                        # 若标签和预测框均为匹配，且均不忽略，则判断IoU
                        if gtRectMat[gtNum] == 0 and detRectMat[detNum] == 0:
                            # 若IoU大于某个阈值，则匹配成功
                            if iouMat[gtNum,detNum]>IOU_CONSTRAINT:
                                # 更新匹配标记
                                gtRectMat[gtNum] = 1
                                detRectMat[detNum] = 1
                                # 匹配数量+1
                                detMatched += 1
                                # 增加匹配对
                                pairs.append({'gt':gtNum,'det':detNum})
                                # 记录成功匹配的预测框index
                                detMatchedNums.append(detNum)
    
                                
            # 计算有效框的数量)
            numGtCare = len(gtPols)
            numDetCare = len(detPols)
    
            # 将该图片的计数记录到全局总数中
            matchedSum += detMatched
            numGlobalCareGt += numGtCare
            numGlobalCareDet += numDetCare
            
                                        
        # 计算全部图片的结果
        # 计算全部图片的召回率
        methodRecall = 0 if numGlobalCareGt == 0 else float(matchedSum)/numGlobalCareGt
        # 计算全部图片的准确率
        methodPrecision = 0 if numGlobalCareDet == 0 else float(matchedSum)/numGlobalCareDet
        # 计算全部图片的hmean（即F-Score）
        methodHmean = 0 if methodRecall + methodPrecision==0 else 2* methodRecall * methodPrecision / (methodRecall + methodPrecision)
        
        methodMetrics = {'precision':methodPrecision, 'recall':methodRecall,'hmean': methodHmean}

[136644deac89f44fec1b9675dc7903fd.png]: /images/20221120/bf4f2e65ed7441bb997e15cdd32a5464.png
[42a546e35ad18ab195b91669b4ffd464.png]: /images/20221120/2611975c721f494780cb310ee95c267d.png
[211d4b57e63f48f7139328e9eace8d3e.png]: /images/20221120/7c54945256d8405b84203608c32cf03a.png