各种算法客观评价指标（新手学习记录）

1、MAP（平均精度均值）：常用于评价目标检测算法中的精度指标，目标检测算法的两个主要指标之一，另一个是检测速度

2、二分类常用评价指标： Precision（精确度）、Recall（召回率）、Accuracy（准确度）、F1 Score

 

 Precision（精确度）：真阳 占 所有预测为阳（真阳+假阳） 的比例

Recall（召回率）：真阳 占 所有正样本（真阳+假阴） 的 比例

Accuracy（准确度）：真阳和真阴 占 总样本 的比值

F1 Score是Precision与Recall的调和平均(harmonic mean)：综合Precision与Recall的评估指标，避免Precision或Recall的单一极大值，用于综合反映整体的指标

3、P-R曲线：把每次预测结果的Precision和Recall计算出来，并按照关系画出曲线，就是P-R曲线。优化模式的检测能力，本质是Precision和Recall的Tradeoff的过程

 

 4、Confidence Score 置信度分数是一个分类器(Classifier)预测一个锚框(Anchor Box)中包含某个对象的概率(Probability)。通过设置Confidence Threshold置信度阈值可以过滤掉(不显示)小于threshold的预测对象。锚框的详细解释请参见《深度学习目标检测算法中的锚框(Anchor Box)是什么？》。常用于目标检测

5、IoU (Intersection over union)交并比，预测框(Prediction)与原标记框(Ground truth)之间的重叠度(Overlap)，最理想情况是完全重叠，即比值为1。IoU用于衡量预测框的准确度。常用于目标检测，一般来说，IoU≥ 0.5 就可以被认为一个不错的结果了

Confidence Score和IoU可以用来共同决定一个检测结果(detection)是Ture Positive还是False Positive

定位准确率可以通过检测窗口与我们自己标记的物体窗口的重叠度，即交并比，即Intersection-Over-Union(IOU)进行度量。设标记窗口为 A ，检测窗口为 B ，则 IOU 的计算公式如下：

 

其中分子部分表示 A 与 B 窗口的重叠部分面积，分母部分表示 A 与 B

窗口的面积总和。显而易见，IOU 的值在[0,1]之间，同时 IOU 越接近 1
表示两个窗口重叠部分越多，定位准确度也就越好，反之则越差。

6、ROC曲线和AUC值，常用于评估分类器效果

ROC=TPR/FPR

 

 

 

AUC是ROC曲线下的面积

7、交叉熵损失函数，描述两个概率分布的差异性

8、欧式距离：空间中两个向量的最短距离

9、余弦相似性：计算两个向量之间夹角的余弦值

 

 

参考：https://www.jianshu.com/p/fd9b1e89f983

https://blog.csdn.net/u011204487/article/details/105219906