Accurary

January 2023

深度学习评价指标

图像分类

TP、TN、FP、FN

TP（True Positives）——预测为正样本，并且预测对了（真阳性）
TN（True Negatives）——预测为负样本，而且预测对了（真阴性）
FP（False Positives）——预测为正样本，但是预测错了（假阳性）
FN（False Negatives）——预测为负样本，但是预测错了（假阴性）

	T	F
P	TP	FP
N	TN	FN

混淆矩阵

	预测类别1	预测类别2	预测类别3
真实类别1
真实类别2
真实类别3

准确率、精确率、召回率、F1

\[Accuracy=\frac{TP+TN}{P+N}\] \[Percision=\frac{TP}{TP+FP}\] \[Recall=\frac{TP}{TP+FN}\] \[F1-score=\frac{2}{\frac{1}{Precision}+\frac{1}{Recall}}=\frac{2TP}{FP+2TP+FN}\]

灵敏度、特异度

\[Sensitivity=\frac{TP}{TP+FN}=Recall\] \[Specificity=\frac{TN}{TN+FP}\]

真正例率（TPR）、假正例率（FPR）

\[TPR=\frac{TP}{TP+FN}=Sensitivity\] \[FPR=\frac{FP}{FP+TN}=1-特异度（Specificity）\]

ROC、AUC曲线

ROC (Receiver Operating Characteristic) 曲线，又称接受者操作特征曲线。该曲线最早应用于雷达信号检测领域，用于区分信号与噪声，ROC曲线是基于混淆矩阵得出的。横坐标为假正率(FPR)，纵坐标为真正率(TPR)。

AUC（Area Under Curve），也就是ROC曲线下的面积。

人脸识别算法评价指标

TAR

对于同属于同一人的图像对进行比较，T为阈值

\[TAR = \frac{TP}{TP+FN}\]

FAR

比较不同人的图像时，把其中的图像对当成同一人的比率

\[FAR=\frac{FP}{FP+TN}\]

FRR

FRR把相同的图像对，当成不同的人了

\[FRR=\frac{FN}{FN+TP}\]

\[FRR+TAR=1\]

ERR 等误率

也就是取某个T值时FAR=FRR，此时的FAR或FRR的值