type
status
date
slug
summary
tags
category
icon
password
Last edited time
Jul 16, 2024 02:50 PM
异常检测常用检测指标——I-AUROC,P-AUROC,AUPRO,AUPR
📝 主旨内容
混淆矩阵
1为异常,0为正常
准确率(Accuracy)
分类对的样本数除以总样本数
召回率,查全率(Recall),真阳性率(TPR)
实际为异常样本中有多少被预测为异常
查准率(Precision)
预测为异常样本中有多少为实际样本
F1分数
避免正负样本不平衡,使用召回率和查准率的调和平均数
误检率,假阳性率(FPR)
有多少实际为正常的样本被预测为异常
ROC曲线(Receiver Operating Characteristic curve)
举例
阈值不断变化,会得到多个不同的混淆矩阵,也就能够得到多个以FPR为横坐标,TPR为纵坐标的点
AUROC(Area Under the Receiver Operating Characteristic curve,ROC曲线下面积)
I-AUROC(Image Level AUROC)
取各个每个异常图内的异常分数最大值待阈值确定进行比较,超过阈值被认定为异常
P-AUROC(Pixel Level AUROC)
将各个异常图展开每个值为基准待阈值确定进行比较,超过阈值被认定为异常
PRO(Per-Region Overlap)
用于评估图像中每个区域(通常是像素或更大的图像块)的预测结果与实际结果的重叠程度
IOU(Intersection over Union)
AUPRO(Area Under the Per-Region Overlap)
PR(Precision-Recall)
模型在不同阈值下的精度(Precision)和召回率(Recall)的变化关系
它特别适合用于不平衡数据集的评估,因为它专注于异常的性能。
AUPR(Area Under the Precision-Recall)
🤗 总结归纳
📎 参考文章
- 作者:ziuch
- 链接:https://ziuch.com/article/Common-metrics-for-anomaly-detection
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议,转载请注明出处。