一起理解指标ACC、Precision、Recall、F1、FPPI、MissRate(MR)、Macro-F1、Micro-F1_mr fppi

Page1

【一起理解】ACC、Precision、Recall、F1、AP

Precision、Recall、mAP、IoU、置信度阈值是在机器学习、深度学习、数据挖掘、推荐系统等领域完成建模后，用于对模型的效果进行评估的指标。

---

真实情况与预测情况的所有可能

---

准确率Accuracy

准确率，Accuracy；

预测正确的占预测的所有的比例；

Accuracy = 预测正确的正样本和负样本 / 预测的所有结果

---

精确率Precision

精确率、查准率，Precision；

预测的正样本中正确的比例；

Precision = 预测正确的正样本 / 预测结果正样本的所有样本

---

召回率Recall

召回率、查全率，Recall；

真实的正样本中被查找正确的比例；

Recall = 预测正确的正样本 / 所有真实的正样本

---

FPPI

文章提出FPPI更加适合行人检测的评估；

且更加符合直观感觉，用每张图片的误检情况，作为检测指标；

FPPI = FP / N

• N 表示有多少数据集，即多少张图片
• FP 表示被预测成正样本的负样本

---

Miss rate

Miss rate，漏检率；

MR = FN / GT = 1-Recall

• GT 真实的情况
• FN 被检测成负样本的正样本

---

F1-Score

F1-Score，平衡F分数(BalancedScore)

F1分数(F1 Score)是统计学中用来衡量二分类模型精确度的一种指标。

同时兼顾分类模型的准确率和召回率，值越大意味着模型越好

F1分数可以看作模型准确率和召回率的一种加权平均：

最大值是1，最小值是0

F1 = 2 * ( Precision * Recall / ( Precision +Recall ) )

更一般的情况，我们定义更一般的形式：

---

Macro-F1 和 Micro-F1 用于多分类（未深入）

Macro-F1 和 Micro-F1是用于多标签分类的

Micro-F1，计算出所有类别总的Precision和Recall，然后计算F1

Macro-F1，计算出每一个类别的Precision和Recall后计算F1，然后将F1平均

---