吶，下面我們先來看看分類任務有哪些可以使用的指標。作為乙個summary，我在下面寫到的有準確率（accuracy）,精確率（precision）,召回率（recall），p-r曲線（precision-recall curve），f1-score，roc曲線，auc，混淆矩陣。
在開始之前，我們首先來說一說最後參與到指標計算中的樣本會被分為哪幾類。
roc曲線怎麼繪製？
在給定乙個閾值的情況下，計算當前閾值下的真正率tpr和假正率fpr，然後就這樣給定一系列的閾值，分別計算出相應閾值下的tpr和fpr，在將這些（tpr，fpr）的點對繪製在座標系中就得到了roc曲線。上圖中的roc曲線中，橫軸是fpr（表徵負樣本的漏檢率），縱軸是tpr（表徵正樣本的召回率）。
roc曲線的含義？
在roc曲線中，座標點（0,0），（0,1），（1,1）代表了幾種最極限的情況。
綜合來看，tpr越高，同時fpr越低（即roc曲線越陡），那麼模型的效能就越好。
即：進行模型的效能比較時，與p-r曲線類似，若乙個模型a的roc曲線被另乙個模型b的roc曲線完全包住，則稱b的效能優於a。若a和b的曲線發生了交叉，則誰的曲線下的面積大，誰的效能更優。
auc(area under curve)又稱為曲線下面積，是處於roc curve下方的那部分面積的大小。上文中我們已經提到，對於roc曲線下方面積越大表明模型效能越好，於是auc就是由此產生的評價指標。通常，auc的值介於0.5到1.0之間，較大的auc代表了較好的performance。如果模型是完美的，那麼它的auc = 1，證明所有正例排在了負例的前面，如果模型是個簡單的二類隨機猜測模型，那麼它的auc = 0.5，如果乙個模型好於另乙個，則它的曲線下方面積相對較大，對應的auc值也會較大。
混淆矩陣又被稱為錯誤矩陣，通過它可以直觀地觀察到演算法的效果。它的每一列是樣本的**分類，每一行是樣本的真實分類（反過來也可以），顧名思義，它反映了分類結果的混淆程度。混淆矩陣i行j列的意思是原本是類別i卻被分為類別j的樣本個數。
（計算機視覺）計算機視覺基礎
opencv cximage cimg freeimage opencv中vc庫的版本與visual studio版本的對應關係 vc8 2005 vc9 2008 vc10 2010 vc11 2012 vc12 2013 vc14 2015 vc15 2017 visual studio中的輔助...
計算機視覺 線性分類器
cifar10資料集。影象型別 二進位制影象 非黑即白，非0即1 灰度影象 畫素值0 255 彩色影象 rgb，每乙個通道都是255個畫素值 大多數分類演算法都要求輸入向量。將影象轉換成向量的方法有很多，最直接簡單的方法就是將影象矩陣轉換成向量 一次排列每乙個畫素點的rgb就得到了向量 線性分類器 ...
計算機視覺
主講老師 曹洋 課程 視覺 基礎 底 層處理 影象處理 特徵提 取 中 層處理 影象分割 相機標 定 深度 估計 運 動估計 高層處 理 3d 重建 目 標識別 視 覺基 礎 底層 處理 圖 像處理 特徵提取 中層 處理 圖 像分割 相機標定 深度估 計 運動 估計 高層處理 3d重 建 目標 識別...