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
notion image

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)

notion image

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
notion image
notion image

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)

notion image

AUPRO(Area Under the Per-Region Overlap)

notion image

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)

notion image

🤗 总结归纳

 

📎 参考文章

少样本+多视角 less is moretmux常用命令
Loading...