一些object based evaluationmetric

2019-06-11 本文已影响0人幽并游侠儿_1425

参考网站：https://blog.csdn.net/matrix_space/article/details/50384518

（1）预测为正，实际也为正，我们称为 true positive (TP)，

（2）预测为正，实际为负，我们称为 false positive (FP)，

（3）预测为负，实际为正，称为false negative (FN)，

（4）预测为负，实际也为负，称为 true negative (TN)

每一个样本只可能属于这四种情况中的某一种，不会有其它的可能。

recall 体现了分类模型对正样本的识别能力，recall 越高，说明模型对正样本的识别能力越强，

precision 体现了模型对负样本的区分能力，precision越高，说明模型对负样本的区分能力越强。

F1-score 是两者的综合。F1-score 越高，说明分类模型越稳健。

关注于各个object与groundtruth的相似程度

sup 的定义：一个集合最小的上界

inf的定义：一个集合最大的下界（）

对于第一个式子的理解如下：

sup x∈X inf y∈Y d(x,y) ：

先找： inf y∈Y d(x,y) 固定x，改变y，找x,y距离的最小值（圆心在X上，画圆）

再找sup x∈X inf y∈Y d(x,y) ：在这些所有的最小值中找最大值。

计算方法：

1、下载代码：

主程序参考imhausdorff的example.

点开distance，下拉到最后一栏，查看距离。