Confusion matrix混淆矩阵

混淆矩阵

混淆矩阵是 ROC 曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本、最直观、计算最简单的方法。以分类模型中的二分类为例，对于这种问题，模型最终需要判断样本的结果是 0 还是 1，或者说是 Positive 还是 Negative。

因此，能得到这四个基础指标，可以看成是一级指标：

真实值是 Positive，模型认为是 Positive 的数量(TP)。

真实值是 Positive，模型认为是 Negative 的数量(FN)。

真实值是 Negative，模型认为是 Positive 的数量(FP)。

真实值是 Negative，模型认为是 Negative的数量(TN)。

将这四个指标一起呈现在表格中，就能得到如表 3 这样一个矩阵，称它为混淆矩阵。预测性分类模型，是希望越准越好。在混淆矩阵中，TP 与 TN 的数量越大越好，而 FP 与 FN 的数量越小越好。

accuracy rate：准确率

准确率指的是预测值为 1 且真实值也为 1 的样本在预测值为 1 的所有样本中所占的比例。

recall rate：召回率

召回率指的是预测值为 1 且真实值也为 1 的样本在真实值为 1 的所有样本中所占的比例。

AUC：

AUC 是指 ROC 曲线下与坐标轴围成的面积，这个面积的数值小于等于 1。又因为 ROC 曲线一般都处于 y=x 这条直线的上方，所以 AUC 的取值范围在 0.5 和 1 之间。 AUC 越接近 1.0，检测方法的实性越高；等于 0.5 时真实性最低，无应用价值。

mAP ：

是 Mean Average Precision 的缩写，即 均值平均精度。作为 object dection 中衡量检测精度的指标。计算公式为：

mAP = 所有类别的平均精度求和除以所有类别。

backbone：主干网络

翻译为主干网络的意思，既然说是主干网络，就代表其是网络的一部分，那么是哪部分呢？翻译的很好，主干部分，哈哈哈哈，文字游戏了哈。这个主干网络大多时候指的是提取特征的网络，其作用就是提取图片中的信息，共后面的网络使用。这些网络经常使用的是resnet VGG等，而不是我们自己设计的网络，因为这些网络已经证明了在分类等问题上的特征提取能力是很强的。在用这些网络作为backbone的时候，都是直接加载官方已经训练好的模型参数，后面接着我们自己的网络。让网络的这两个部分同时进行训练，因为加载的backbone模型已经具有提取特征的能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务。