机器学习评测指标概述

文章目录

• 机器学习评测指标概述
  • 1. 基本分类
    • 1.1 样本类别
    • 1.2 置信度阈值
    • 1.3 IoU阈值
  • 2. 基本指标
    • recall
    • precison
    • accuracy
  • 3.进阶指标
    • 3.1 F1-score
    • 3.2 pr曲线
      • 定义
      • 计算方式
      • 计算函数
      • 目标检测的pr曲线计算
    • 多分类p-r曲线计算方式
    • 3.3 mAP
      • 定义
      • 求解方式
      • 计算函数
    • 3.4 混淆矩阵
      • 定义
      • 计算函数
    • 参考文献

1. 基本分类

1.1 样本类别

机器学习评测任务的一个样本，根据预测结果和标注结果的不同，有如下所示的四个类别：

真实\预测	正类	负类
正类	TP	FN
负类	FP	TN

具体而言

TP(True Positive)：P表示预测为正类；同时实际也是正类，这是正确的，所以是True，组合为TP，也叫真阳

FN(Flase Negative)：N表示预测为负类；同时实际是正类，这是错误的，所以是False，组合为FN，也叫假阴

FP(False Positive)：P表示预测为正类，同时实际是负类，这是错误的，所以False，组合为FP，也叫假阳

TN(True Negative)：N表示预测为负类，同时实际是负类，这是正确的，所以True，组合为TN，也叫真阴

以新冠肺炎核酸检测为例，假定阳性为正类，那么对于一次核酸检测，阳性患者被检测为阳性为TP，被检测为阴性为FN，阴性健康人被检测为阳性为FP，被检测为阴性为TN。

1.2 置信度阈值

置信度阈值(confidence threshold)，用于对预测结果进行分类。模型的每一个预测结果都会伴随一个置信度，给定置信度阈值后，只有预测置信度超过阈值且结果预测正确才能认为是一个TP。

1.3 IoU阈值

IoU(Intersection over Union)，指框的交并比，取值范围为[0,1]，如果两个框完全重合则为1，完全不重合为0。在目标检测的样本分类过程中，判断框是否预测正确，一方面要比较模型输出的置信度和给定的置信度阈值，另一方面也要计算预测框与标注框的IoU，置信度阈值和IoU阈值同时满足条件才能认为预测正确。此外，如果预测结果中多存在多框，那么对于某个预测框，与其IoU最大的标注框为对应框，在进一步比较预测类别是否正确。

2. 基本指标

基于单个样本的基本分类，对于一组样本则有一些由基本分类计算而来的基本指标，用以衡量模型的效果

recall

recall(召回率)，表示样本中的正类被正确预测为正例的比例，也叫查全率。以新冠检测为例，为一组检测中，阳性患者被正确检出的比例。

recall = \frac{TP}{TP+FN}

precison

precison(精确率)，表示预测结果为正类的样本中，真正的正样本比例。以新冠检测为例，为一组检测中，检测结果为阳性的样本中确为阳性的比例。

precison = \frac{TP}{TP+FP}

accuracy

accuracy(准确率)，表示分类正确的样本占总样本个数的比例。以新冠检测为例，为一组检测中，阳性检测为阳性，阴性检测为阴性的人数与全体检查人数的比值。

accuracy = \frac{TP+TN}{TP+FP+TN+FN}

3.进阶指标

以基础指标为基，在全面的评估模型效果时，还有一些常用的进阶指标，在本节一一列出。

3.1 F1-score

F1-score，为percision和recall的调和平均值，用以解决其二者矛盾的问题

F1=\frac{2*precision*recall}{precision+recall}

3.2 pr曲线

定义

pr曲线(precision-recall curve)，描述一组样本下，二分类问题的精确率和召回率随置信度的波动情况。

以猫狗分类为例，对于每一个样本都有一个置信度阈值(confidence-threshold)，在该阈值的上下，TP和FP可能有不同表现，导致precision和recall的变化。

例如，以猫为正类绘制pr曲线时: 对于某个样本猫， 如果预测结果为猫，置信度为0.6,那么将置信度的阈值调整为>0.6后，TP的数量-1 如果预测结果为狗，置信度为0.6,那么将置信度的阈值调整为>0.6后，TP的数量+1

对于某个样本狗， 如果预测结果为狗，置信度为0.6,那么将置信度的阈值调整为>0.6后，FP的数量+1 如果预测结果为猫，置信度为0.6,那么将置信度的阈值调整为>0.6后，FP的数量-1,TP的数量+1

pr曲线示例

计算方式

1. 首先将预测结果根据置信度进行重排
2. 遍历预测结果，TP和FP逐一变化，进而导致precision和recall的变化

计算函数

sklearn库中的pr曲线计算函数（适用于二分类问题） htTPs://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_curve.html

目标检测的pr曲线计算

由1.3的内容可知，目标检测任务对样本分类的过程中还需要考虑IoU阈值，因此pr曲线的计算略有不同，大致计算方式为：对于预测的所有框，记为DTs(Detection Target), 每一个DT包含它的位置坐标和分类得分，我们按照上面所述的，对DTs按照分类得分由大到小进行排序，为了表示方便，仍旧记为DTs, 对于真实的Ground Truth， 我们记为GTs, 按照顺序，对于DTs中的每一个DT，都计算它和GTs的IOU值，如果最大的IOU值大于阈值，那么就认为检测成功，算作TP，并且最大IOU值的GT被认为是匹配成功，需要将其从GTs中移除；如果该最大的IOU值小于阈值，那么就意味着该DT与所有的GTs都匹配失败，是一个误检，自然就算作FP了；会出现多个检测结果DT同一个GT相匹配，那么分数最高（不是IOU值最高，而是该DT的分类得分）的被认为是TP，其余的检测结果被认为是FP，那么遍历完所有的DTs， 我们就知道哪些是TP，哪些是FP，而此时，如果GTs中仍然还有剩下的（因为匹配上的都被移走了）被认为是FN。

计算方式参考：htTPs://github.com/facebookresearch/detectron2/blob/main/detectron2/evaluation/pascal_voc_evaluation.py#L187

多分类p-r曲线计算方式

在描述多分类问题时，以 猫、狗、虎 三分类为例，对于某个类别猫，pr曲线的正负样本自然就变成了猫和非猫（狗+虎），这一显然的变化带来一个稍显复杂的问题:

多分类问题中，某个样本会输出所有类别的预测概率，但是猫和非猫的概率总和不像二分类问题一样总和为1，因此在围绕某个阈值上下波动的时候，最终的评测结果不一定会发生变化，此外，对于多分类问题，当阈值超过预测结果的最大值时，会认为该样本无效，因此产生了两种计算方式，

1.计算某一个类别（猫）的pr曲线时，只考虑模型输出中该类别的输出，那么猫和非猫的概率总和为1，计算方式与二分类问题一致。但是该计算方式与多分类模型的计算混淆矩阵时有所出入，多分类问题一般会采纳置信度最高的结果为最终结果。

2.保持置信度最高的结果为最终结果，在最终结果与标注结果一致时，与1的计算方式并无不同，最终结果与标注结果不一致时，该组p-r值对应的置信度阈值无法给出。举例分析，计算猫的pr曲线时: 对于某个样本猫，如果最高置信度结果为狗，那么置信度阈值的上升也不会将FN变为TP； 对于某个样本狗， 如果预测结果为虎（虽不为同一类别，但同样预测正确），那么置信度阈值的上升也不会将TN变为FP； 如果预测结果为猫，那么置信度阈值的上升，会使得FP变为TN。(最高阈值未过置信度阈值时，结果也为非猫)，因此置信度为该预测结果的置信度。 但是将负样本正确预测为负样本的概率无法得知

综合以上情况，在计算多分类模型的pr曲线时，一般采用第1种方式进行计算，即在计算某一类别的pr曲线时，仅考虑模型对该类别的输出结果，忽略其他输出结果。

3.3 mAP

定义

mAP(mean Average Precision),AP为平均准确率，相当于pr曲线的面积，面积公式表示为，

AP = \int_0^1 p(r)dr

其中，

p(r)

表示precision随recall的变化函数。以为下图为例，pr曲线与坐标轴围成的面积为该组样本的AP值，因为precison和recall的值都在[0,1]区间，显然AP的值也在[0,1]区间。

求解方式

在实践中一般用插值法进行近似求解，此处采用Pascal VOC竞赛中的VOC2010–2012方式求解，近似求解的公式为:

AP \approx \sum{(r_{n+1} - r_n) p_{interp}(r_{n+1})} \tag{1.1}

p_{interp}(r_{n+1}) = \max p( \widetilde r) {\quad}{\quad}{\quad} (\widetilde r \geq r_{n+1}) \tag{1.2}

具体而言，根据p-r值的数量，在每一个点上求插值，

p_{interp}(r_{n+1})

表示

r_{n+1}

右侧(包括

r_{n+1}

)中的最大值。

对不同类别的AP求平均值即为mAP

计算函数

插值计算法参考代码 htTPs://github.com/facebookresearch/detectron2/blob/main/detectron2/evaluation/pascal_voc_evaluation.py#L155

3.4 混淆矩阵

定义

混淆矩阵(confusion matrix)，也叫误差矩阵，用于直观的表示分类任务中各个类别的预测情况。

真实\预测	Cat	Dog	Pig	Tiger	Unknown
Cat	15		1		1
Dog	1	2	1
Pig			79	5
Tiger			4	15	3
Unknown				0	0

如上图所示为一个多分类问题的混淆矩阵，纵轴的标签表示某个样本的标注结果，横轴的标签表示某个样本的预测结果。以 [Cat,Cat]=15 为例，这一格表示，在给定的置信度阈值下，有15个标注结果为猫的框被正确分类； [Cat,Pig]=1 则表示，有一个标注结果为猫的框被错误预测为猪；而 [Cat,Unkonwn]=1 则表示，有一个标注结果为猫的样本，模型输出的所有预测结果均未超过给定的阈值，所以分类到Unkonw当中。需要注意的是：这里的Unknow并非一个真实的标签。

计算函数

sklearn库中的混淆矩阵计算函数

htTPs://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

参考文献

1. htTPs://jonathan-hui.medium.com/map-mean-average-precision-for-object-detection-45c121a31173
2. htTPs://en.wikipedia.org/wiki/Confusion_matrix

原文地址：https://cloud.tencent.com/developer/article/2028514