深度学习网络评价指标——IoU、Precision、Recall，mIoU、mPA、Accuracy和f-score的定义，区别和联系

评价对象

• IoU、Precision、Recall是针对所有图片内的某一类来说的;
• mIoU、mPA、Accuracy是针对所有类别来计算的；

分类器预测结果

实际中分类器的预测结果可以分为四种，TP，TN ，FP，FN:

• TP true positive 实际为正样本预测为正样本
• TN true negitive 实际为负样本预测为负样本
• FP false positive 实际为负样本预测为正样本
• FN false negative 实际为正样本预测为负样本

IoU、Precision、Recall

• IoU 交并比: TP/(TP+FP+FN)
• Recall 查全率: TP/(TP+FN)
• Precesion 精确率(类别像素准确率CPA:每个类被正确分类像素数的比例): TP/(TP+FP)

Miou、mPA、Accuracy

• Accuracy 像素准确率（PA: 预测类别正确的像素数占总像素数的比例):
  Accuracy=PA = (TP + TN) / (TP + TN + FP + FN)
• mPA (CPA累加求平均): mPA = sum(Pi) / 类别数
• mIoU 均交并比(IoU累加求平均): mIoU = sum(IoU) / 类别数

F-Score

F-Score是在需要综合考虑Precision和Recall的调和值时，引出的新的评价指标，可以根据Precision和Recall的重要性差别设定不同的β值：

• 提出原因

虽然从计算公式来看，并没有什么必然的相关性关系，但是，在大规模数据集合中，这2个指标往往是相互制约的，即此消彼涨的

• Precision和Recall的重要性和β的赋值的关系
  • 当Precision精确率更重要些，就调整β的值小于1
  • 当Precision精确率和Recall召回率的重要性相同，β=1时，称为F1-score，权重相同
  • 当Recall召回率更重要些，就调整β的值大于1
• 如何判断Precision和Recall哪个重要呢
  准确率低代表误检多，召回率低代表漏检多，如果不明白，好好看一下本文之前部分写的Recall和Precision的定义即可，这里我通过几个例子来说明：
  • 测全率/召回率更加重要
    对于医疗模型，比如判断一个细胞是不是癌细胞或者一个病人是不是患有癌症，测全率是很重要的，但是误判相对于测全来说却没有那么重要。解释一下就是，一个没有患癌症的病人被诊断为癌症影响不是很大，但是一个患有癌症的患者被诊断为正常人影响却非常大。
    同样的，也适用于诈骗模型，把普通人认成诈骗犯影响不是很大，但把诈骗犯认作普通人影响很大，这种情况下，测全率就非常的重要
  • 准确率更加重要
    对于一般的搜索模型，把非搜索内容当作搜索内容影响很大，但是把部分搜索内容当作非搜索内容（即并不是能搜索到全网所有的相关结果，但你看到的都是你搜索的内容）影响不大，这情况下准确率就非常的重要
    对于垃圾邮件模型，把非垃圾邮件认成垃圾邮件影响很大（你会错过重要邮件），而把垃圾邮件认成非垃圾邮件影响不大（你可以删掉不看就是了），这情况下准确率就非常的重要