F1 점수 계산

Confusion Matrix의 F1 점수는 Precision과 Recall의 조합으로, 세분화 성능에 대한 포괄적인 지표로서 제공됩니다. Recall은 신경망이 라벨이 있는 결함 영역의 구역과 얼마나 잘 일치하는지를 나타내고, Precision은 신경망이 이미지의 다른 영역과 혼동되는걸 얼마나 잘 억제하는지를 나타냅니다. Confusion Matrix의 F1 점수를 얻기 위해서는 Precision과 Recall이 반드시 먼저 계산되어야 합니다. 여기서의 Precision, Recall, F1 점수는 픽셀 단위로 계산되는 Region Area Metrics의 Precision, Recall, F1 점수와는 다른 방식으로 계산됩니다.

Confusion Matrix의 점수는 카운트 드롭다운 옵션에 따라 달라집니다. 이는 현재 Confusion Matrix에서 계산된 Precision과 Recall의 조화 평균입니다. 뷰 또는 영역이 “중간”으로 예측되는 경우, Precision, Recall, F1 점수 계산에서 “불량”으로 계산됩니다.

• (실제 양호, 예측 중간) → (실제 양호, 예측 불량)

• (실제 불량, 예측 중간) → (실제 불량, 예측 불량)

계산법을 소개하기 전에, 계산을 위해서 알아야할 사항은 다음과 같습니다.

“양호” 클래스를 예측하기 위해:

• 1개의 “실제 양호 – 예측 양호”쌍은 1개의 “True Positive (TP)”를 나타냅니다.

• 1 개의 "실제 불량 – 예측 양호” 쌍은 1개의 “False Positive (FP)”를 나타냅니다.

• 1 개의 “실제 불량 – 예측 불량” 쌍은 1개의 “True Negative (TN)”을 나타냅니다.

• 1 개의 “실제 양호 – 예측 불량” 쌍은 1개의 “False Negative (FN)”을 나타냅니다.

“불량” 클래스를 예측하기 위해:

• 1 개의 “실제 불량 – 예측 불량” 쌍은 1개의 “True Positive (TP)”를 나타냅니다.

• 1개의 “실제 양호 – 예측 불량” 쌍은 1개의 “False Positive (FP)”를 나타냅니다.

• 1개의 “실제 양호 – 예측 양호” 쌍은 1개의 “True Negative (TN)”를 나타냅니다.

• 1개의 “실제 불량 – 실제 양호” 쌍은 1개의 “False Negative (FN)”을 나타냅니다.

이 설정에서 “양호” 클래스에 대한 Confusion Matrix의 Precision, Recall, F1 점수 계산은 아래와 같이 수행됩니다.

• Precision = TP / (TP + FP) = 495/(495+23) = 0.956

• Recall = TP / (TP + FN) = 495/(495+0) = 1

• F-score = 2 * Recall * Precision / (Recall+Precision) = 2 * 0.956 * 1 / 1.956 = 0.978

“불량” 클래스에 대한 Confusion Matrix의 Precision, Recall, F1 점수 계산은 아래와 같이 수행됩니다.

• Precision = TP/(TP+FP) = 57/(57+0) = 1

• Recall = TP/(TP+FN) = 57/(57+23) = 0.713

• F-score = 2 * Recall * Precision / (Recall + Precision) = 2 * 1 * 0.713 / 1.713= 0.832

그러면, Confusion Matrix의 F1 점수는 아래와 같습니다.

• 0.5 * (양호 클래스의 F-점수) + 0.5 * (불량 클래스의 F-점수) = 0.5 * 0.978 + 0.5 * 0.832 = 0.90

양호한 성능	불량한 성능