D.N.

簡單說明

這是一個用於測試的簡單描述。

名詞定義

---

IoU (intersection over union)

定義：$(A∩B)/(A∪B)$

---

混淆矩陣 (Confusion matrix)

TP，True Positives，其中 True 表示預測正確，Positives 表示此為正樣本。

TN，True Negatives，其中 True 表示預測正確，Negatives 表示此為負樣本。

FP，False Positives，其中 False 表示預測錯誤，Positives 表示此為正樣本。

FN，False Negatives，其中 False 表示預測錯誤，Negatives 表示此為負樣本。

一般常見指標

---

Accuracy

• 模型預測正確數量所佔整體的比例。

---

Precision

• 被預測為 Positive 的資料中，有多少是真的 Positive。

---

Recall

• 在原本 Positive 的資料中，有多少被預測出為 Positive。

---

F-score

• Precision 與 Recall 調和平均數。一般來說beta值會等於一。

其他常見指標

---

ROC-AUC

• ROC-AUC：Receiver operator characteristic - Area Under the Curve

• 作法：以 FPR 為 X 軸，TPR 為 Y 軸，根據不同的閾值畫出ROC curve。再計算曲線下面積，得出ROC-AUC。

  $$TPR=True\;Positive\;Rate(Recall)=\dfrac{TP}{TP+FN}$$
  $$FPR=False\;Positive\;Rate=\dfrac{FP}{FP+TN}$$

---

PR-AUC

• PR -AUC：Precision Recall - Area Under the Curve
• 作法：以 Recall 為 X 軸，Pecision 為 Y 軸，根據不同的閾值畫出PR curve。再計算曲線下面積，得出PR-AUC。

---

AUC說明

• AUC = 1 → 完美的模型。
• 0.5 < AUC < 1 → 可以找出表現最好的閥值。
• AUC < 0.5 → 表現差。