vidi檢測檢測

vidi檢測檢測效果測試

歡迎微信交流： wx394179053

在觀看檢測效果前，首先來溫習幾個知識點
摘自： https://www.cnblogs.com/Zhi-Z/p/8728168.html

1、ROC曲線：

ROC（Receiver Operating Characteristic）曲線是以假正率（FP_rate）和假負率（TP_rate）爲軸的曲線，ROC曲線下面的面積我們叫做AUC，如下圖所示：圖片根據Paper：Learning from eImbalanced Data畫出
其中：
（1）曲線與FP_rate軸圍成的面積（記作AUC）越大，說明性能越好，即圖上L2曲線對應的性能優於曲線L1對應的性能。即：曲線越靠近A點（左上方）性能越好，曲線越靠近B點（右下方）曲線性能越差。
（2）A點是最完美的performance點，B處是性能最差點。
（3）位於C-D線上的點說明算法性能和random猜測是一樣的–如C、D、E點。位於C-D之上（即曲線位於白色的三角形內）說明算法性能優於隨機猜測–如G點，位於C-D之下（即曲線位於灰色的三角形內）說明算法性能差於隨機猜測–如F點。
（4）雖然ROC曲線相比較於Precision和Recall等衡量指標更加合理，但是其在高不平衡數據條件下的的表現仍然過於理想，不能夠很好的展示實際情況。

2、評測指標—準確率(Precision)、召回率(Recall)、F值(F-Measure)簡介。

業內目前常常採用的評價指標有準確率(Precision)、召回率(Recall)、F值(F-Measure)等，下圖是不同機器學習算法的評價指標。下文講對其中某些指標做簡要介紹。

3、混淆矩陣

True Positive(真正，TP)：將正類預測爲正類數
True Negative(真負，TN)：將負類預測爲負類數
False Positive(假正，FP)：將負類預測爲正類數誤報 (Type I error)
False Negative(假負，FN)：將正類預測爲負類數→漏報 (Type II error)

1、準確率（Accuracy）

準確率(accuracy)計算公式爲：

注：準確率是我們最常見的評價指標，而且很容易理解，就是被分對的樣本數除以所有的樣本數，通常來說，正確率越高，分類器越好。
準確率確實是一個很好很直觀的評價指標，但是有時候準確率高並不能代表一個算法就好。比如某個地區某天地震的預測，假設我們有一堆的特徵作爲地震分類的屬性，類別只有兩個：0：不發生地震、1：發生地震。一個不加思考的分類器，對每一個測試用例都將類別劃分爲0，那那麼它就可能達到99%的準確率，但真的地震來臨時，這個分類器毫無察覺，這個分類帶來的損失是巨大的。爲什麼99%的準確率的分類器卻不是我們想要的，因爲這裏數據分佈不均衡，類別1的數據太少，完全錯分類別1依然可以達到很高的準確率卻忽視了我們關注的東西。再舉個例子說明下。在正負樣本不平衡的情況下，準確率這個評價指標有很大的缺陷。比如在互聯網廣告裏面，點擊的數量是很少的，一般只有千分之幾，如果用acc，即使全部預測成負類（不點擊）acc也有 99% 以上，沒有意義。因此，單純靠準確率來評價一個算法模型是遠遠不夠科學全面的。

2、錯誤率（Error rate）
錯誤率則與準確率相反，描述被分類器錯分的比例，error rate = (FP+FN)/(TP+TN+FP+FN)，對某一個實例來說，分對與分錯是互斥事件，所以accuracy =1 - error rate。

3、靈敏度（sensitive）
sensitive = TP/P，表示的是所有正例中被分對的比例，衡量了分類器對正例的識別能力。

4、特效度（sensitive）
specificity = TN/N，表示的是所有負例中被分對的比例，衡量了分類器對負例的識別能力。

5、精確率、精度（Precision）
精確率(precision)定義爲：

表示被分爲正例的示例中實際爲正例的比例。

6、召回率（recall）
召回率是覆蓋面的度量，度量有多個正例被分爲正例，recall=TP/(TP+FN)=TP/P=sensitive，可以看到召回率與靈敏度是一樣的。

7、綜合評價指標（F-Measure）
P和R指標有時候會出現的矛盾的情況，這樣就需要綜合考慮他們，最常見的方法就是F-Measure（又稱爲F-Score）。
F-Measure是Precision和Recall加權調和平均：

當參數α=1時，就是最常見的F1，也即

可知F1綜合了P和R的結果，當F1較高時則能說明試驗方法比較有效。