计算机视觉面试考点(11)常用评价指标(准确率、精确率、召回率、漏警率、虚警率、F1、P-R、ROC、AUC)

计算机视觉工程师在面试过程中主要考察三个内容:图像处理、机器学习、深度学习。然而,各类资料纷繁复杂,或是简单的知识点罗列,或是有着详细数学推导令人望而生畏的大部头。为了督促自己学习,也为了方便后人,决心将常考必会的知识点以通俗易懂的方式设立专栏进行讲解,努力做到长期更新。此专栏不求甚解,只追求应付一般面试。希望该专栏羽翼渐丰之日,可以为大家免去寻找资料的劳累。每篇介绍一个知识点,没有先后顺序。想了解什么知识点可以私信或者评论,如果重要而且恰巧我也能学会,会尽快更新。最后,每一个知识点我会参考很多资料。考虑到简洁性,就不引用了。如有冒犯之处,联系我进行删除或者补加引用。在此先提前致歉了!

如题,这些东西大多数人都会
但是,记忆内容较多
面试一紧张。。。
主要目的是帮助大家记忆
会分享一些个人的记忆技巧

基本概念

P Positive 阳性 正样本
N Negative 阴性 负样本
T True
TP True Positive 真阳性
TN True Negative 真阴性
F False
FP False Positive 假阳性
FN False Negative 假阴性

P = TP + FN
N = TN + FP

举个例子
正样本(阳性)被错误判定为负样本(阴性)
对应上述的FN

五个率

准确率(Accuracy)
反应对整体样本的分类
有多少样本预测正确
在这里插入图片描述

精确率(Precision)
预测的正样本中对了多少
精确率以P开头,所以公式里全是P
在这里插入图片描述

召回率(Recall)
正样本预测对了多少
召回率和精确率组队记忆,因为精确率都是P
所以召回率里有N

在这里插入图片描述

漏警率(Missing Alarm)
正样本预测错了多少
与召回率组队记忆,召回和漏警是反义词
所以分子取反,T变F,P变N

在这里插入图片描述

虚警率(False Alarm)
预测的正样本中错了多少
在这里插入图片描述

F1 Score

上述指标都存在片面性
计算精确率和召回率的调和平均数
得到一个相对全面的指标
记忆关键点:调和平均数、PR
因为后面还有P-R曲线,所以PR是关键词,应该不难记

在这里插入图片描述

P-R曲线

F1 Score还不过瘾
使用曲线来更加全面衡量
P是Precision,是纵轴
R是Recall,是横轴
一个增加,另一个减小,反比例
R的下面像不像两条腿?
有两条腿才能更接地气,与大地贴合
所以R是水平的横轴

ROC曲线

受试者工作特性(Receiver Operating Characteristic)
另一种评价曲线
表格中的R代表Rate
一个增加,另一个增加,正比例

横轴 假阳性率 FPR FP/N
纵轴 真阳性率 TPR TP/P

阳性都是P,真的是T,假的是F
假的对应假的 分母是N
真的对应真的 分母是P
假的人被打倒,趴在了地上,所以是横轴

AUC(Area Under Curve)

对应上述两种曲线(一般对应ROC)
曲线和横轴围成的面积
或者说曲线的积分
以上两个曲线横轴和纵轴的最大值都是1
所以AUC<=1
AUC越大,模型越好

这两个曲线怎么画?
改变分类的阈值(分类的标准)
横轴和纵轴的值会随之变化
阈值取的越多
点越多
就画出来曲线了

两个曲线的使用范围?
根据计算公式
P-R主要关注正样本
ROC关注整体

基于此
样本比例变化大的时候
P-R变化很大
ROC变化较小

所以
如果比较在意样本比例变化的影响,用P-R
反之,用ROC


欢迎讨论 欢迎吐槽

你可能感兴趣的:(计算机视觉面试考点,面试,评价指标,机器学习,ROC,AUC)