一、引言平均精度（AveragePrecision，简称AP）是目标检测中广泛使用的一种评价指标，用于衡量模型的检测精度。AP的计算方式基于精度-召回曲线（precision-recallcurve）。精度-召回曲线是在不同的置信度阈值下，以不同的召回率（recall）计算出的对应的精度（precision）点组成的曲线。其中，召回率是指在所有真实框中，被正确检测到的比例；精度是指在所有检测到的框中，被正确识别的比例。AP的计算方式是在精度-召回曲线上，计算曲线下的面积，然后求平均值，因为对于每个类别，精度-召回曲线都是不同的，所以会分别计算每个类别的AP值。AP指标的优点是考虑了不同置信度阈
分类模型的评价指标–混淆矩阵，ROC，AUC1.混淆矩阵–就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵假设训练之初以及预测后，一个样本是正例还是反例是已经确定的，这个时候，样本应该有两个类别值，一个是真实的0/1，一个是预测的0/1truepositives(TP):实际为正预测为正。truenegatives(TN):实际为负预测为负。falsepositives(FP):实际为负但预测为正。(也称为“第一类错误”。)falsenegatives(FN):实际为正但预测为负。(也称为“第二类错误”。)通过混淆矩阵我们可以给出各指标的值：查
面试官对你说：“请做一下自我介绍？”你看一眼面试官手里拿着的简历，就按照打印好的简历内容叨叨了一遍。面试官在问你：“谈谈你的家庭情况？“你一愣，问这个干嘛？我的家庭情况？于是，从我爸爸、妈妈是干嘛的，从我和老婆（老公）认识说起。面试官又问说：”你最崇拜谁？“你脑海里瞬间涌现一大堆人头，有各种领袖，历史人物和”有钱人“。于是你脱口而出，我特别崇拜马话腾。面试官多半会笑，然后再问：“为什么呢？”这时的你有些慌，马话腾扮小女生糊弄网民？不能说；自己的扣扣号是9位数？好像也没啥价值；于是你说：“我觉得他挺幸运的，要是当初把扣扣卖了，就没有后来的威信了。恭喜你，你完成了一次非常失败的面试，估计面试官连敷
下午临时接到一个面试邀约。距离自己住处5公里以内，一开始有点不想去，这个面试来的太突然，心理没有一点儿准备。后来还是去了，一方面，BOSS上的面试预约，不太好取消；另一方面，我窝在房间一天了，也想出去吹吹风——尽管这风是热气腾腾的。约定的时间我赶到面试的单位，简单的填了一下个人资料，和面试的人谈了10来分钟。他说跟老板汇报一下再给我回复。出了该单位的门，我的心情就开始患得患失起来：我是不是不该这么说？是不是应该那么说？……本来我并不是太在意的一个面试，居然如此的纠结起来！由此，联想到我每次参加完聚会之后，每次拜访客户之后…………，几乎都是会有类似的情况发生，情绪都会低落一阵子，感觉能量被抽空了
文章目录前言一、层次分析法（AHP）1.介绍2.算法流程3.局限性二、优劣解距离法（Topsis法）1.介绍2.算法流程3.模型拓展——带权重的Topsis1.使用层次分析法来确定权重取值2.基于熵权法对Topsis模型的修正熵权法的计算步骤三、灰色关联分析1.介绍2.算法流程3.注意事项四、模糊综合评价模型1.算法流程2.应用实例总结前言对于评价类模型，最好还是使用Topsis法，主成分分析主观因素太大，灰色关联分析因为这个灰色理论近几年才在国内出现，使用范围较小，可能评委老师了解不多。模糊综合评价的话也可以使用，但是能用Topsis法最好还用Topsis法。评价类模型主要研究的是多个指标中
安装MultiQC##安装condawgethttps://repo.anaconda.com/archive/Anaconda3-2021.05-Linux-x86_64.shbashAnaconda3-2021.05-Linux-x86_64.sh##安装python2环境condacreate--namepython2python=2.7-chttps://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/-ycondaactivatepython2 ##切换到python2环境condainstallmultiqccondainstallmult
指标指标有检测精度和检测速度之分：mAPmAP是一个容易混淆的概念。计算mAP之前先考虑我们有的数值：图片原label的bbox、模型预测的bbox、模型预测的bbox的置信度、模型预测的bbox中目标类别的分类置信度。在YOLO中，最后两个数值会乘起来表示一个置信度数值。此外，我们还需要确定“IoU数值阈值”和“置信度阈值”，模型的预测能满足“IoU数值阈值”与“置信度阈值”（NMS算法）的结果参与最终混淆矩阵计算。目标检测有多个类别，一个类别计算出的AP数值，所有类别平均AP数值称为mAP（meanAveragePrecision）。原label的bbox与模型预测的bbox的交并比为Io
目录1、模糊综合评价2、权值的确定一、模糊综合评价因素集：影响评价的因素，例如:企业家的素质综合评价可以考虑5个因素{德，能，勤，绩，生命周期延长}评价集：某因素好与坏，例如:企业家的德可以被评价为｛高较高一般低｝单因素评价矩阵：rij代表因素i对评价j的隶属度。例如:企业家的德是较高的隶属度为0.7，可以认为企业家的德有0.7的程度是较高的。各指标权重：各因素的重要程度，例如:有m个因素，权值向量A={a1,a2,….am}模糊综合评价：通过模糊变换，将U上的向量A变换成V上的向量B。其中A为各因素权值，R为单因素评价矩阵，向量B为本次综合评价对评价集的隶属度。其中○称为综合评价合成算子,这
多目标跟踪评价指标——MOTA、IDF1、HOTA等首先了解一下MOTchallenge的评价指标，这些指标都是MOT任务比较常用且流行的指标：MOTA首先需要了解的是：fragmentation是在第t帧当中发生的ID分配错误(IDswitch)。也就是说，如果在groundtruth第j个轨迹的第t帧之前，跟踪器(tracker)把该轨迹的ID都预测正确了，但是第t+1帧预测错误了，那么IDswitch的个数+1，值得注意的是，即使第t+1帧之后跟踪器仍然把该轨迹的ID预测错误了，但是错误的ID为同一个，那么IDswitch个数不会增加。举个直观一点的例子，假设周杰伦在第1帧的时候走入镜头
一、混淆矩阵（误差矩阵）混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数据模型，如分类树（ClassificationTree）、逻辑回归（LogisticRegression）、线性判别分析（LinearDiscriminantAnalysis）等方法。 TP(TruePositive)：将正确类预测为正确类，真实为0，预测也为0FN(FalseNegative)：将正确类预测为错误类，真实为0，预测为1FP(FalsePositive)：将错误类预测为正确类，真实为1，预测为0TN(TrueNegative)
