文章目录
前言
案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb
对于分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。
一、TP、TN、FP、FN概念
首先有关TP、TN、FP、FN的概念。大体来看，TP与TN都是分对了情况，TP是正类，TN是负类。则推断出，FP是把错的分成了对的，而FN则是把对的分成了错的。
我的记忆方法：首先看第一个字母是T则代表分类正确，反之分类错误；然后看P，在T中则是正类，若在F中则实际为负类分成了正的。
【举例】以二分类为例（多分类问题类似 混淆矩阵用于计算一下评价指标） 一个班里有男女生，我们来进行分类，把女生看成正类，男生看成是负类。我们可以用混淆矩阵来描述TP、TN、FP、FN。
| 1 | 相关（Relevant），正类 | 无关（NonRelevant），负类 |
|---|---|---|
| 被检索到（Retrieved） | True Positives（TP，正类判定为正类。即女生是女生） | False Positives（FP，负类判定为正类，即“存伪”。男生判定为女生） |
| 未被检索到（Not Retrieved） | False Negatives（FN，正类判定为负类，即“去真”。女生判定为男生） | True Negatives（TN，负类判定为负类。即男生判定为男生） |
二、准确率、精确率（精准率）、召回率、F1值
1.准确率（Accuracy）
顾名思义，就是所有的预测正确（正类负类）的占总的比重。
2.精确率（Precision）查准率
即正确预测为正的占全部预测为正的比例。个人理解：真正正确的占所有预测为正的比例。
3.召回率（Recall）查全率
即正确预测为正的占全部实际为正的比例。个人理解：真正正确的占所有实际为正的比例。
4.F1值（H-mean值）
F1值为算数平均数除以几何平均数，且越大越好，将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。
公式转化之后为：
三、ROC曲线、AUC值
1.ROC曲线
接收者操作特征曲线（receiver operating characteristic curve），是反映敏感性和特异性连续变量的综合指标，ROC曲线上每个点反映着对同一信号刺激的感受性 下图是ROC曲线例子。
- 横坐标： 1-Specificity，伪正类率(False positive rate，FPR，FPR=FP/(FP+TN))，预测为正但实际为负的样本占所有负例样本的比例；
- 纵坐标： Sensitivity，真正类率(True positive rate，TPR，TPR=TP/(TP+FN))，预测为正且实际为正的样本占所有正例样本的比例。
在一个二分类模型中，假设采用逻辑回归分类器，其给出针对每个实例为正类的概率，那么通过设定一个阈值如0.6，概率大于等于0.6的为正类，小于0.6的为负类。对应的就可以算出一组(FPR，TPR)，在平面中得到对应坐标点。随着阈值的逐渐减小，越来越多的实例被划分为正类，但是这些正类中同样也掺杂着真正的负实例，即TPR和FPR会同时增大。阈值最大时，对应坐标点为(0,0)，阈值最小时，对应坐标点(1,1)。
真正的理想情况，TPR应接近1，FPR接近0，即图中的（0,1）点。ROC曲线越靠拢（0,1）点，越偏离45度对角线越好。
2.AUC值
AUC (Area Under Curve) 被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。**又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围一般在0.5和1之间。**使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。
从AUC判断分类器（预测模型）优劣的标准：
- AUC = 1，是完美分类器，采用这个预测模型时，存在至少一个阈值能得出完美预测。绝大多数预测的场合，不存在完美分类器。
- 0.5 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
- AUC = 0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。
- AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。
一句话来说，AUC值越大的分类器，正确率越高。
四、AP/MAP/PR曲线
①首先介绍一下Recall（召回率/查全率）和Precision（精度/查准率）：
以一张图片物体检测为例，检测算法框出N=1000个框，正确检测出物体A的框有k=50个，实际上图片中有M=100个物体A：
-
Recall = k / M
-
Precision = k / N
Recall和Precision之间是有关系的，如果大幅度增加检测框，比如增加100万个框，此时k↑，M→，N↑↑，那么召回率↑、精度↓
于是引入AP，来衡量测试集中某一个类的分类误差，并体现召回率和精度。
②那么接下来，怎么计算AP？
AP = SPR =PR AP #概念针对单个类
mAP = 平均AP针对所有类
总结
首先，需要区分四个概念：TP（True Positive，真阳性），TN（True Negative，真阴性），FP（False Positive，假阳性）以及FN（False Negetive，假阴性）。
举例：有10个人来检测糖尿病，其中1，3，5号有糖尿病，剩下的没有，即1，3，5号为正样本，2，4，6，7，8，9，10为负样本。
我们的糖尿病系统检测结果是，1，3，6号有糖尿病，剩下的没有。
TP：在这10个人中，1号和3号被检测为正样本，同时检测正确，因此TP就等于2；
TN：2，4，7，8，9，10号被检测为负样本，同时检测也是正确的，因此TN就是6
FP：6号病人，虽然被检测为正样本，但是检测结果是错的，因此FP是1 FN：5号病人，
虽然被检测为负样本，但是检测结果也是错的，FN就是1.
- 准确率（Accuracy）
准确率计算了预测正确的样本数，占总样本数的比例：
Accuracy = n_correct / n_total = (TP + TN) / (TP + TN + FP + FN)
局限性：
当两类样本数量很不均衡时，accuracy就不能很好的反映模型的性能了。比如，总样本中，负样本占95%，那么即使模型将所有样本都预测成负样本，accuracy还是可以高达95%。但是显然，这个模型是不具备正确区分两类样本的能力的。
- 精度（Precision）和召回（Recall）
考虑模型返回的前N个正样本，
精度计算了这N个返回的正样本中，预测正确的比例： Precision = TP / N = TP / (TP + FP) .
召回计算了这N个返回的正样本中预测正确的样本数，占真正总的正样本数的比例： Recall = TP / (TP + FN)
通常，为了使精度变高，模型会趋于保守，只有非常肯定某个样本是正样本时，才将其作为正样本输出，但是这样会使得很多相对不肯定的正样本被错误判断为负样本，从而降低召回。因此，精度和召回不能只考虑单一的一方面，这也就有了P-R曲线：
P-R曲线
综合考虑了精度与召回，其横轴是召回，纵轴是精度。通过调节阈值，大于该阈值的为正样本，小于该阈值的为负样本，使得召回可以从0，0.1，0.2一直取到1，计算出每个召回对应的精度，就可以画出一条曲线，称为P-R曲线。下图的b和c就是两个P-R曲线，可以看到，随着recall不断增加，precision是在下降的。
F1值是另一个综合考虑精度和召回的指标，其计算公式为： F1 = 2PR/(P+R)，也就是精度和召回的调和平均值。
-
ROC曲线
ROC曲线全称Receiver Operating Characteristic Curve（受试者工作特征曲线）。其横坐标为FPR（False Positive Rate，假阳性率），纵坐标为TPR（True Positive Rate，真阳性率）。计算方法为：
FPR = FP / (FP + TN) = FP / Neg,
TPR = TP / (TP + FN) = TP / Pos = Recall.
绘制ROC曲线的方法与P-R曲线类似，通过调节阈值，绘制出不同的FPR及其对应的TPR。
AUC指的是ROC曲线下的面积大小，通过对ROC曲线进行积分，就可以计算得到AUC。AUC取之在0.5～1之间（如果小于0.5，把正负样本预测对调一下就行了），AUC越大，表明模型把真正的正样本排的越靠前，相应的性能就越好。 -
ROC曲线和P-R曲线比较
如下图，ac是ROC曲线，bd是P-R曲线，可以看到，ROC曲线的横纵坐标走势是相同的，而P-R曲线则是反着的。
不管是Precision，还是Recall，其实P-R曲线只考虑了正样本（预测对多少个正样本，以及找出来多少正样本），而ROC曲线即考虑了正样本（TPR，找出来多少正样本），也考虑到了负样本（找错了多少负样本）。当正负样本比例发生变化时，P-R曲线的形状会发生较大的变化，而ROC曲线则比较稳定。
因此，ROC曲线能够更加稳定的反映模型本身的好坏，适用于更多的场景。但是，当希望观测到特定数据集上的表现时，P-R曲线则可以更直观的反映其性能。
- COCO中的mAP
这个问题困扰我好久了，今天终于搞得差不多了。检测（或者实例分割）中的mAP，也就是mean Average Precision，其实跟二分类的AP很像。不同之处在于，检测结果不仅要给出bounding box，还要给出类别；第二，bounding box跟ground truth的框不可能完全重合，需要定义怎样算预测对了，怎样算预测错了。
AP， AP@X
我们用预测的框和gt的IoU（交并比）来衡量预测的正确性，设置一个阈值（比如0.5），如果IoU大于0.5，则认为这个框预测对了，作为正样本输出（True）；否则，就是负样本（False）。
假设某一类一共有5个ground truth
object，我们预测出了10个框，将这些框按照置信度（检测网络一般每个框会输出一个置信度）排序，结果如下：
第一个框，预测正确，此时precision就是1，recall是1/5=0.2.
到第三个框，预测错误，此时precision是2/3=0.67，recall是2/5=0.4， 。。。
这样，我们可以得到一系列recall对应的precision，画出它的P-R曲线。这里又一个对precision进行修正的过程，也就是下图的绿色折线。将每个Recall
r对应的precision，修正为recall大于等于r时，能达到的最大的precision。
从recall=0，到recall=1，将这11个precision加起来求平均，就是这一类的average precision。
所有类的AP平均，得到的就是IoU阈值为0.5的AP，即AP@50。有的地方也把这个值称为mAP，需要看具体语境。
mAP 上面我们得到的是某一个IoU作为阈值的AP，也就是AP@X。以0.5作为起点，0.05步长，0.95终点，我们可以得到0.5，
0.55， 0.6， 。。。， 0.95一共10个值，将这10个值分别作为IoU阈值，就能得到AP@50， AP@55， 。。。，AP@95. mAP = (AP@50+AP@55+…+AP@95)/10 这个结果，对应的就是下表里的AP。 YOLOv3
文章出处登录后可见！
