问题描述
我使用边界框技术评估细分模型。然后我 对每个图像的TP,FP,TN和FN值求和。总图像为 10(行号在下表中)。我需要计算该模型的准确性。 精度=(TP + TN)/(TP + FP + FN + TN)
( TP + FP + FN + TN )是总数。我在这里总计混淆 ...(实际和预测的
问题是:在这种情况下,总数的值是多少?为什么?
imgNo TP FP TN FN
1 4 0 0 0
2 6 1 1 0
3 2 3 0 0
4 1 1 1 0
5 5 0 0 0
6 3 1 0 0
7 0 3 1 0
8 1 0 0 0
9 3 2 1 0
10 4 1 1 0
感谢您的帮助。
解决方法
TP:“正值”是您在图像中正确识别的对象数量
FP:误报是您识别的对象,但实际上这是一个错误
TN:真负值是您无法识别的对象
FN:在物体检测情况下没有意义。也许是背景。无论如何,在您的实验中,其值为0。
因此,TP + TN =真实总数。不要包括FN,因为这是错误的检测。
,您可以使用热图直观地分析逻辑回归中的系数。 roc_curve 返回误报和真正值。混淆矩阵返回 fp、tp、fn 和 fp 聚合。
fpr,tpr,threshholds = roc_curve(y_test,y_preds_proba_lr_df)
plt.plot([0,1],[0,'k--')
plt.plot(fpr,tpr)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.show()
accuracy=round(pipeline['lr'].score(X_train,y_train) * 100,2)
print("Model Accuracy={accuracy}".format(accuracy=accuracy))
cm=confusion_matrix(y_test,predictions)
sns.heatmap(cm,annot=True,fmt="g")