醫學影象中的部分評價指標小結
阿新 • • 發佈:2019-01-06
1.隨機取塊的方式相對於整張圖片來說更容易收斂
2.關於準確率與召回率的問題:
先理解這四個引數:TP、FP、TN、FN,在理解的時候,先看第二個符號,第二個符號代表我們的結果,第一個符號代表系統對我們的結果給出的判斷。
比如說TP,第二個符號P代表我們認為是正確的,T代表我們的猜測是正確的,那就說明真正的標籤是正確的且我們猜對了。
比如說TN,第二個符號N代表我們認為是錯誤的,T代表我們的猜測是正確的,那就說明真正的標籤是錯誤的且我們猜對了。
比如說FP,第二個符號P代表我們認為是正確的,F代表我們的猜測是錯誤的,那就說明真正的標籤是錯誤的但我們猜錯了。
比如說FN,第二個符號N代表我們認為是錯誤的,F代表我們的猜測是錯誤的,那就說明真正的標籤是正確的但我們猜對了。
準確率:,即在你認為對的答案裡面有多少是真的正確(分母中包含在標籤為錯誤的樣本FP)
召回率:,即在真正正確的答案中,你預測了多少個正確的(分母中為標籤中正確樣本的總數)
其他的評價指標可在此基礎上進行理解,如:
- ACC:classification accuracy,描述分類器的分類準確率
計算公式為: - TPR:true positive rate,描述識別出的所有正例佔所有正例的比例,敏感度(sensitivity)、查全率(Recall)
計算公式為: - TNR:true negative rate,描述識別出的負例佔所有負例的比例,特異度(specificity)
計算公式為: - PPV:Positive predictive value,陽性預測值、查準率(Precision)
計算公式為: - NPV:Negative predictive value,陰性預測值
計算公式: - FPR:false positive rate,描述將負例識別為正例的情況佔所有負例的比例
計算公式為: - FNR:false negative rate,描述將正例識別為負例的情況佔所有正例的比例
計算公式為: - BER:balanced error rate
計算公式為:
總結如下(圖片均來自維基百科):
樣例如圖: