目标检测常用评价指标笔记

1、准确度指标

Accuracy准确率：正确预测的正样本和负样本的总数/总数

error_rate：错误预测的正样本和负样本总数/总数

混淆矩阵Confusion Matrix:

每一行之和表示该类别的真实样本数量，每一列之和表示被预测为该类别的样本数量，

例如第一行，第一列数据表示预测是类1是50个，实际对的只有43个

对角线越大，预测效果越好

分类目标

分类目标只有两类：positive正例和negtive负例

True positives(TP)：本身是正例，被预测成正例的个数

False positives(FP): 本身为负例但是被预测为正例的个数

False negatives(FN)：本身为正例但是预测为负例的个数

Ture negatives(TN)：本身为负例被预测为负例的个数

召回率recall：预测为正例的个数除以实际全部的正例的个数之比

Recall=TP/(TP+FN) = TP/P

精确率Precision：预测为真的中实际上也为真的个数占总预测为真的个数之比

Precision = TP / (TP + FP)

平均精度（Average-Precision）:AP值越高，分类越好

 用F指标选择阈值：

 是关与召回的权重，大于1说明更看重召回的影响，小于1则更看重精度，等于1相当于两者的调和平均，这里得到一个常用的指标F1-Measure。

F1指标：

 

 ROC(受试者工作特征)曲线以及AUC

真正例率和假正例率:

TPR = TP/(TP+FN)

FPR = FP/(FP+TN）

TPR越高，FPR越低分类效果越好

 AUC(Area Under Curve)：ROC曲线围住的面积越大，分类器效果越好

EER（Equal Error Rate）：

指的是FNR=FPR的情况，因为FNR=1-TPR，所以在ROC曲线中就是曲线和（0，1）、（1，0）对角线的交点。从漏检和误检的角度，FPR理解为对正样本的漏检率，FNR则是预测为正样本的误检率。EER是均衡考虑这两者时的阈值选定标准

平均精度均值（mAP）:

IOU（Intersection Ober Union）: