（原）（有误）

True、False正确检测还是错误检测（如果画出框的，还需考虑个阈值，IOU高于阈值并且分类正确的（box+class）才算正确检测，否则是错误检测）
Positive、Negative指画没画框

所以：
True Positives（真正例TP）是指正确检测，我们需要的目标，它画出框并且分类正确，交并比大于阈值的
False Positives（假正例FP）是指错误检测，不是我们需要的目标，它画出框，但交并比小于阈值或分类不正确
True Negatives（真负例TN）是指正确检测，不是我们要需的目标，它没画框
False Negatives（假负例FN）是指是错误检测，我们需要的目标，它没画框

20200206 （有误）

更新一下，可能上述表述有误
Positive、Negative指在没在ground truth中

True Positives（真正例TP）是指在ground truth中，它画出框的，标注正确的目标
False Positives（假正例FP）是指在ground truth中，它画出框的，标注错误的目标（就是标注错了）
True Negatives（真负例TN）是指不在ground truth中，它画出框，其实是正确的目标
False Negatives（假负例FN）是指不在ground truth中，它画出框，其实是错误的目标

20200206 （正解）

更新更新更新，貌似上面理解也不对：
参考文章：TP真阳性, FP假阳性, FN假阴性, TN真阴性

True、False表示预测是对或错

TP、True Positive 真阳性：预测为正，实际也为正

FP、False Positive 假阳性：预测为正，实际为负

FN、False Negative 假阴性：预测与负、实际为正

TN、True Negative 真阴性：预测为负、实际也为负。

也就是说，预测和实际一致则为真，预测和实际不一致则为假；如果预测出来是“正”的，则为“阳”，预测结果为 “负”，则为“阴”。

参考文章1：目标检测的评估指标mAP的那些事儿

参考文章2：目标检测中如何计算AP和mAP以及绘制P-R曲线以及SSD中如何修改代码来输出AP和绘制P-R曲线

机器学习中 True Positives（真正例TP）、False Positives（假正例FP）、True Negatives（真负例TN）和 False Negatives（假负例FN）指什么相关推荐

机器学习中常见性能度量汇总
前言如果你对这篇文章感兴趣,可以点击「[访客必读 - 指引页]一文囊括主页内所有高质量博客」,查看完整博客分类与对应链接. 一.回归在回归任务上,目前最常用的性能度量方式是均方误差 (Mean S ...
机器学习中的范数规则化之（二）核范数与规则项参数选择以及RPCA
机器学习中的范数规则化之(二)核范数与规则项参数选择三.核范数核范数||W||*是指矩阵奇异值的和,英文称呼叫Nuclear Norm.这个相对于上面火热的L1和L2来说,可能大家就会陌生点.那它 ...
机器学习基础（一）混淆矩阵，真阳性(TP)，真阴性(TN)，假阳性(FP)，假阴性(FN)以及敏感性(Sensitivity)和特异性(Specificity)
机器学习基础(一) 混淆矩阵真阳性,真阴性,假阳性,假阴性敏感性,特异性混淆矩阵混淆矩阵如下图:这里以是否有心脏病举例(二分类举例),列代表机器学习算法所做的预测,有心脏病还是没有心脏病,行代 ...
真香啊，机器学习中这3种交叉验证方法要掌握
交叉验证是机器学习中常用的一种策略,其核心是对数据集进行划分,本文介绍sklearn中的3种交叉验证时划分数据集的方法: KFold StratifiedKFold GroupKFold 这里来举例说 ...
终于有人把机器学习中的评价指标讲清楚了
前言在人工智能领域,机器学习的效果需要用各种指标来评价.本文将阐述机器学习中的常用性能评价指标,矢量卷积与神经网格的评价指标不包括在内. 训练与识别当一个机器学习模型建立好了之后,即模型训练 ...
机器学习中常用的分类算法总结
分类算法分类算法和回归算法是对真实世界不同建模的方法.分类模型是认为模型的输出是离散的,例如大自然的生物被划分为不同的种类,是离散的.回归模型的输出是连续的,例如人的身高变化过程是一个连续过程, ...
机器学习中常见的评价指标总结
文章目录 1. 评价指标的种类 2. 分类任务的评价指标 2.1 分类任务的一些概念 (1) 交并率(IoU, Intersection over Union) (2)NMS (3)TP.FP.FN. ...
机器学习中算法的性能评估
机器学习和推荐系统中的评测指标-(1)准确率(Accuracy):(2)错误率(Error rate)(3)精确率.精度(Precision):(4)召回率(Recall):(5)灵敏度/敏感性(se ...
从重采样到数据合成：如何处理机器学习中的不平衡分类问题？
从重采样到数据合成:如何处理机器学习中的不平衡分类问题? 2017-03-19 13:17 来源:机器之心技术原标题:从重采样到数据合成:如何处理机器学习中的不平衡分类问题? 选自Analytic ...

机器学习中 True Positives（真正例TP）、False Positives（假正例FP）、True Negatives（真负例TN）和 False Negatives（假负例FN）指什么

文章目录

（原）（有误）

20200206 （有误）

20200206 （正解）

机器学习中 True Positives（真正例TP）、False Positives（假正例FP）、True Negatives（真负例TN）和 False Negatives（假负例FN）指什么相关推荐

最新文章

热门文章