红色分析的混淆矩阵
混淆矩阵是对真值
真值指的是机器学习模型所要解决问题的实际性质，这一性质通过相关示例数据集得以体现。监督式机器学习模型在标注数据上进行训练，这些数据被视为模型识别模式的基础，从而能够预测新数据中的标注。与工具预测之间关系的直观表示。
|
|
|
| 数字 | 说明 |
| 1 |
水平维度显示了该工具的预测。 |
| 2 | 矩阵的垂直维度显示您分配的实际标注 标注是用“真值”来注释图像的过程。根据您使用的工具，标注可以采用不同的形式。标注图像集有两个原因：提供训练工具所需的信息，并允许您根据真值衡量和验证受训练的工具的性能。，这些标注代表工具的真值。 |
| 3 |
混淆矩阵的 F1 得分是精度和召回指标的结合。F1 得分是衡量分割 有关应用程序如何在混淆矩阵中计算精度、召回和 F1 分数的更多信息，请参见精度、召回和 F1 得分计算示例。 注意： 混淆矩阵的精度、召回和 F1 得分的计算方法与区域面积指标部分的像素级别计算方法不同。
|
混淆矩阵与多个缺陷类
如果红色分析工具有多个缺陷类，则混淆矩阵每次只显示一个缺陷类别的结果。您可以使用数据库概述右上角的下拉菜单在缺陷类别之间切换。
混淆矩阵仅将所选缺陷类计为“不良”，并将所有其他缺陷类计为“良好”.例如，对于缺陷类“Blob”来说，“良好”指的是所有“不是 Blob”的东西。这意味着“良好”和其他类的缺陷都计为“良好”。
混淆矩阵中的正负结果
您可以从真正值、真负值、假正值和假负值的角度查看混淆矩阵。精度和召回指标，以及最终的 F1 得分，都是根据这些结果计算得出的。
对于“良好”类：
-
一个“实际良好 - 预测良好”对表示一个真正值 (TP)
-
一个“实际不良 - 预测良好”对表示一个“假正值 (FP)”
-
一个“实际不良 - 预测不良”对表示一个真负值 (TN)
-
一个“实际良好 - 预测不良”对表示一个假负值 (FN)
对于“不良”类别（或选定缺陷类别）：
-
一个“实际不良 - 预测不良”对表示一个真正值 (TP)
-
一个“实际良好 - 预测不良”对表示一个假正值 (FP)
-
一个“实际良好 - 预测良好”对表示一个真负值 (TN)
-
一个“实际不良 - 预测良好”对表示一个假负值（FN）
有关正值和负值结果的详细信息，请参阅正、负和假结果。
精度、召回和 F1 得分计算示例
精度和召回指标，以及最终的 F1 得分，是基于真正值 (TP)、真负值 (TN)、假正值 (FP) 和假负值 (FN) 结果的计数计算得出的。有关更多信息，请参阅 。
要计算上图中混淆矩阵示例的指标：
-
计算“良好”类的混淆矩阵的精度、召回和 F1 得分：
-
精度 = TP / (TP + FP) = 136 / (136 + 0) = 1
-
召回 = TP / (TP + FN) = 136 / (136 + 1) = 0.993
-
F-得分= 2 * 召回 * 精度 / (召回+精度) = 2 * 0.993 * 1 / 1.993 = 0.996
-
-
计算“Blob”类的混淆矩阵的精度、召回和 F1 得分：
-
精度 = TP / (TP + FP) = 14 / (14 +1 ) = 0.933
-
召回 = TP / (TP + FN) = 14 / (14 + 0) = 1
-
F-得分 = 2 * 召回率 * 精度 / (召回 + 精度) = 2 * 1 * 0.933 / 1.713 = 0.965
-
-
计算混淆矩阵的 F1 得分：
-
0.5 * (“良好”类的 F 得分) + 0.5 * ("Blob"类的 F 得分) = 0.5 * 0.996 + 0.5 * 0.965 = 0.98
-