偽陽性および偽陰性の結果

統計結果のコンポーネントに加えて、偽陽性および偽陰性の結果に対するそれらの影響を理解することも重要です。

画像の欠陥を取り込むために構築された画像検査システムがあるとします。ある画像で 1 つ以上の欠陥が取り込まれた場合、その画像の検査結果は「陽性」となり、欠陥がまったく取り込まれない場合、その画像の検査結果は「陰性」となるとします。検査タスクの統計結果は、以下のように要約できます。

偽陽性 (タイプ I エラーとも呼ばれる)
- 解析 (赤):検査システムはビューまたはピクセルに欠陥があると識別しますが、このビューまたはピクセルには実際には欠陥がありません。
- 分類 (緑):検査システムは画像のクラスを識別しますが、この画像は実際にはそのクラスに属していません。
- 位置決め (青)/読み取り (青):検査システムは特徴のクラスを識別しますが、この特徴は実際にはそのクラスに属していません。
偽陰性 (タイプ II エラーとも呼ばれる)
- 解析 (赤):このビューまたはピクセルは欠陥があると識別されるべきですが、検査システムはビューまたはピクセルに欠陥があると識別できませんでした。
- 分類 (緑):この画像は画像のクラスに属するものとして識別されるべきですが、検査システムは画像のクラスを識別できませんでした。
- 位置決め (青)/読み取り (青):この特徴は特徴のクラスに属するものとして識別されるべきですが、検査システムは特徴のクラスを識別できませんでした。

次に偽陽性と偽陰性についてまとめ、指標として適合率と再現率を使用して再度示します。これらの指標はすべての VisionPro Deep Learning ツールで使用される統計結果です。適合率と再現率の定義については、「統計結果」を参照してください。

適合率
- 適合率の低いニューラルネットワークは通常、提供された画像データ (テストデータ) から検出されるべき欠陥を正しく検出できず、多くの偽陽性の判定 (タイプ 1 エラー) を返します。
- 適合率の高いニューラルネットワークは通常、提供された画像データ (テストデータ) から欠陥を正しく検出することに成功しますが、再現率が低い場合、多くの偽陰性の判定 (タイプ 2 エラー) が発生する可能性があります。
再現率
- 再現率の低いニューラルネットワークは通常、提供された画像データ (テストデータ) から検出されるべき欠陥を十分に検出できず、多くの偽陰性の判定 (タイプ 2 エラー) を返します。
- 再現率の高いニューラルネットワークは通常、提供された画像データ (テストデータ) から欠陥を十分に検出することに成功しますが、適合率が低い場合、多くの偽陽性の判定 (タイプ 1 エラー) が発生する可能性があります。

結論として、ほぼすべての検査 (例外的な検査もあり得る) で理想的な統計結果を得るには、適合率と再現率がどちらも高いことが求められます。