分类识别任务中，评估分类器的性能一般用到什么指标？评估检测器性能一般用什么指标？评估分割模块性能一般用什么指标？

た入场券 2023-01-21 11:21 19阅读 0赞

### 分类识别任务中，评估分类器的性能一般用到什么指标？ 评估检测器性能一般用什么指标？ 评估分割模块性能一般用什么指标？ ###

*  1.评估分类器的性能一般用到什么指标？
 *  2.评估检测器性能一般用什么指标？
 *  3.评估分割模块性能一般用什么指标？

# 1.评估分类器的性能一般用到什么指标？ #

1.ACC \[accuracy\] 准确度  
2.Precision 精确度  
3.Recall 召回率  
4.F1-score  
5. AUC：AUC（Area Under Curve）ROC曲线下的面积。AUC的取值范围在0.5和1之间。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而AUC作为数值可以直观的评价分类器的好坏，值越大越好。  
6.P-R曲线：P-R曲线的P就是精确率，R就是召回率。用P作为横坐标，R作为纵坐标，就可以画出P-R曲线。

# 2.评估检测器性能一般用什么指标？ #

1.IOU：对于一个检测器，我们需要制定一定的规则来评价其好坏，从而选择需要的检测器。对于图像分类任务来讲，由于其输出是很简单的图像类别，因此很容易通过判断分类正确的图像数量来进行衡量。物体检测模型的输出是非结构化的，事先并无法得知输出物体的数量、位置、大小等，因此物体检测的评价算法就稍微复杂一些。对于具体的某个物体来讲，我们可以从预测框与真实框的贴合程度来判断检测的质量，通常使用loU (Intersection of Union)来量化贴合程度。  
2.TP、TN、FP、FN：  
1）True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；  
2）False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；  
3）False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；  
4）True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。  
3.mAP：对于一个检测器，通常使用mAP（mean Average Precision）这一指标来评价一 个模型的好坏，这里的AP指的是一个类别的检测精度，mAP则是多个类别的平均精度。评测需要每张图片的预测值与标签值，对于某一个实 例，二者包含的内容分别如下：  
预测值（Dets）：物体类别、边框位置的4个预测值、该物体的得 分。  
标签值（GTs）：物体类别、边框位置的4个真值。  
4.召回率、准确率  
5.AP  
6.IOU

# 3.评估分割模块性能一般用什么指标？ #

1.Dice：对于分割过程中的评价标准主要采用Dice相似系数(Dice Similariy Coefficient,DSC),Dice系数是一种集合相似度度量指标,通常用于计算两个样本的相似度,值的范围0-1,分割结果最好时值为1  ,最差时值为 0。  
2.Hausdorff\_95  
3.IOU  
4.PPV