1.frr：錯誤拒接率（false reject rate）。
文字定義：錯誤拒絕率，把同乙個人的對當成不同的人對的概率。
其中：errorcount是指匹配失敗的次數，totalcount是指同乙個人的匹配次數。
也就是說，假設我們定義匹配的時候設定的閾值為threshold，當兩兩匹配的時候的相似度值為value。
在理想情況下，同乙個人的匹配相似度value>threshold總是成立的。在現實中，當valuethreshold的時候，這就是匹配失敗。
**實現：
import numpy as np
import os
from time import time
from sklearn import svm
from sklearn.multiclass import onevsrestclassifier
from sklearn.tree import decisiontreeclassifier
from sklearn.metrics import roc_curve, auc
from sklearn.linear_model import linearregression
from sklearn.pipeline import pipeline
from skimage import io
from string import digits
from pil import image
from sklearn.model_selection import train_test_split
from matplotlib import pyplot as plt
from scipy import interp
import matplotlib.pyplot as plt
import pandas as pd
import keras
from sklearn.utils import shuffle
def train_model(model,x_train,y_train,x_test,y_test):
model.fit(x_train, y_train,
batch_size=10,
epochs=1,
validation_data=(x_test,y_test),
shuffle=true)
return model
def compute_cv_cnn(model,x_train,y_train,x_test,y_test):
scores =
model = train_model(model,x_train, y_train,x_test,y_test)
predictions = model.predict_proba(x_test);
scores = np.array(scores)
mean = np.mean(scores, axis=0)
return mean
def unison_shuffled_copies(a, b):
assert len(a) == len(b)
p = np.random.permutation(len(a))
return a[p], b[p]
array_np = np.copy(arr)
low_val_indices = arr < treshold
high_val_indices = arr >= treshold
array_np[low_val_indices] = 0
array_np[high_val_indices] = 1
return array_np
def perf_measure(actual, score, treshold):
tp = 0
fp = 0
tn = 0
fn = 0
size = len(score)
for i in range(size):
for j in range(len(score[i])):
if(predarr[j] != actual[i][j] and predarr[j] == 1):
fp+=1
if(predarr[j] == actual[i][j] == 1):
tp+=1
if(predarr[j] != actual[i][j] and predarr[j] == 0):
fn+=1
if(predarr[j] == actual[i][j] == 0):
tn+=1
print("tp%d,fp%d,tn%d,fn%d"%(tp,fp,tn,fn))
return tp, fp, tn, fn
def calc_far_frr(fp, fn,totalp, totaln):
far = fp/float(totalp) # totalpfalse accept rate in percentage
frr = fn/float(totaln) # false reject rate in percentage
return far, frr
def prepare_graph_far_frr(actual, score, totalp, totaln):
step = 1
far = dict()
frr = dict()
for i in range(0, 100, step):
tp, fp, tn, fn = perf_measure(actual, score, i/float(100))
far[i], frr[i] = calc_far_frr(fp, fn, totalp, totaln)
return far, frr
def plot_far_frr(far, frr):
axisval = np.arange(0,1.00,0.01);
# plot far frr
plt.figure(1)
lw = 2
plt.plot(far.values(), axisval, label='false accept rate', color='blue', lw=lw)
plt.plot(axisval, frr.values(), label='false reject rate', color='red', lw=lw)
# plt.grid(ls='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('treshold')
plt.ylabel('errors')
plt.title('far and frr')
plt.legend(loc="lower right")
far =
frr =
for key,value in far.items():
for key,value in frr.items():
far = np.array(far)
frr = np.array(frr)
residue = np.abs(far-frr)
residue = residue.tolist()
min_index = residue.index(min(residue))
eer = (far[min_index]+frr[min_index])*50
print("eer is %.2f%%"%(eer))
Tenengrad評價函式
tenengrad函式式一種常用的影象清晰度評價函式，是一種基於梯度的函式。在影象處理中，一般認為對焦好的影象具有更尖銳的邊緣，故具有更大的梯度函式值。tenengrad函式使用sobel運算元提取水平和垂直方向的梯度值。具體過程如下 設sobel卷積核為 定義該影象的tenengrad值為 其中實...
量化評價和質化評價舉例 量化評價和質性評價異同點
量化評價和質性評價在理論上有分歧，但它們不是兩種對立的方法，在課程評價中是非常必要和不可缺少的。它們的分歧能在課程評價實踐中統一起來，互相彌補各自的缺點。1.量化評價的特點 量化評價的優點是邏輯性強，標準化和精確化程度較高，能對課程現象的因果關係作出精確分析，結論也更為客觀和科學。然而，影響制約教育...
損失函式與評價函式
4.1 學習目標 掌握常見的評價函式和損失函式dice iou bce focal loss lov sz softmax 掌握評價 損失函式的實踐 4.2 tp tn fp fn 在講解語義分割中常用的評價函式和損失函式之前，先補充一 tp 真正例 true positive tn 真反例 tru...