计算深度学习评价指标Precision、Recall、F1

计算深度学习评价指标Precision、Recall、F1

对深度学习的结果进行评价是深度学习的重要一环，一般常用的评价方法有：准确率（Accuracy），精确率（Precision），召回率（Recall），像素精度（PA），平均精度（AP），交并比（IoU）等方法。

1.什么是TP、TN、FP、FN

TP（True positives）:正样本被正确识别为正样本。
TN（True negatives）:负样本被正确识别为负样本。
FP（False positives）:假的正样本，即负样本被错误识别为正样本。
FN（False negatives）:假的负样本，即正样本被错误识别为负样本。

2. Recall

Recall是测试集中所有正样本样例中，被正确识别为正样本的比例。
Recall=TP/(TP+FN)

Precision就是在识别出来的正样本中，True positives所占的比率。
Precision=TP/(TP+FP)

4.F1

F1 score为精确率与召回率的调和均值，是用来衡量二分类模型精确度的一种指标。
F1=2*(Precision*Recall)/(Precision+Recall)

具体实现如下：

```python
import cv2
import numpy as np
import os
from time import time


start = time()
predict_path = r"E:\allsample_chenjun\predict\thin"
label_path = r"E:\allsample_chenjun\testline"

files = (label_path)
list1 = []

for file in files:
    result_name = (label_path,file)
    (result_name)

files = (predict_path)
list2 = []
print("lable_len:",len(files))
for file in files:
    result_name = (predict_path,file)
    (result_name)
print("predict_len:",len(files))
Recall = 0
Precision = 0
F1 = 0
for i in range(len(files)):
    TP = 0
    FP = 0
    FN = 0
    TN = 0
    img_lable = (list1[i],0)
    img_predict = (list2[i],0)
    x = (img_lable)
    for j in range([0]):
        index = (0, [1])
        a = index[img_lable[j]==img_predict[j]]
        for k in range(len(a)):
            if img_lable[j][a[k]] == 255:
                TP += 1
            else :
                TN += 1
        b = index[img_lable[j] != img_predict[j]]
        for k in range(len(b)):
            if img_lable[j][b[k]] == 255:
                FN += 1
            else :
                FP += 1
    Precision += TP/(TP+FP)
    Recall += TP/(TP+FN)
    F1 += (2 * (TP/(TP+FP)) * (TP/(TP+FN))/((TP/(TP+FP)) + (TP/(TP+FN))))
    print("第",i+1,"次计算完成")
end = time()
print('running time is :%f'%(end-start))
print("Precision:" ,Precision/len(files),"Recall:",Recall/len(files),"F1:",F1/len(files))