转载自:http://blog.csdn.net/pb09013037/article/details/48949037
因个人在做模式识别相关的工作,模式识别算法最终的性能评价是关键。但苦于网上很难找到具体、详细的评价流程、方法以及代码,所以本人打算近期准备如题所示评价方法的整理工作,到时候会奉上方法介绍、基础代码(matlab 版),以帮助更多像我这样对这些方法有些迷茫的人。
暂时提供matlab中自带的ROC,DET曲线绘制函数: perfcurve()
具体使用方法,中文链接:http://ilovematlab.cn/thread-76781-1-1.html
MathWork Manual(文档源自matlab2013。之前低版本中应该有该函数,但本人在自己的2008a版本中没有发现,2010版本中应该有): http://www.mathworks.cn/cn/help/stats/perfcurve.html
自编 ROC 曲线及相关中间结果的计算代码。
Main function:
- %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
- %function: ROC curve related
- % date : 2013.07.01
- % author : Xin Yang, School of medicine, SZU
- %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
- % 根据Label8score文件绘制 ROC、DET曲线
- % 获取数据文件路径
- [filename, pathname] = uigetfile( {'*.txt', 'Model Files (*.txt)'; ...
- '*.*', 'All Files (*.*)'}, '选择 ROC 数据源','F:\Result\FPPW\');
- if isequal(filename,0) || isequal(pathname,0)
- return;%如果点了“取消”
- else
- L8S_file = [pathname , filename];
- end
- dot_num = 50;
- YX_Roc(L8S_file , dot_num);
- % YX_DET_Curve(L8S_file , dot_num);
YX_Roc function:
- % 根据 标记&预测得分文件 绘制ROC曲线
- function YX_Roc(Label8ScoreFile , dot_num)
- % 加载 标记&预测得分 数据文件 1:正 0:负
- Mat_L8S = load(Label8ScoreFile);
- sample_num = size(Mat_L8S ,1);
- % 绘制正、负标记分布趋势图,用于观察正负样本的交叉程度
- Plot_PN_pdf(Mat_L8S);
- Label = Mat_L8S(:,1);% 人工标记
- Score = Mat_L8S(:,2);% 算法评分
- % 分数上下限
- Upper = max(Score);
- Lower = min(Score);
- % 拓宽分数上下限,便于达到极限
- Upper = Upper + 0.1;
- Lower = Lower - 0.1;
- % 点数
- bins = dot_num;
- % 步进
- step = (Upper - Lower)/bins;
- % 阈值变化
- T = Lower:step:Upper;
- T_num = bins + 1;
- %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
- % 计算 TPR 、FPR
- TPR = zeros(T_num ,1);
- FPR = zeros(T_num ,1);
- % 遍历阈值
- for i = 1:T_num
- T_temp = T(i);
- TP = 0 ; FN = 0;% 清零
- FP = 0 ; TN = 0;
- % 遍历样本
- for j = 1:sample_num
- if (Label(j) == 1)
- if (Score(j) >= T_temp)
- TP = TP + 1;% 真阳
- else
- FN = FN + 1;% 假阴
- end
- elseif (Label(j) == 0)
- if (Score(j) >= T_temp)
- FP = FP + 1;% 假阳
- else
- TN = TN + 1;% 真阴
- end
- end
- end
- % *****
- TPR(i) = TP/(TP + FN);
- FPR(i) = FP/(FP + TN);
- end
- % ROC 曲线
- figure
- plot(FPR , TPR , 'c', 'LineWidth',2);
- axis([0 ,1 ,0 ,1]);
- xlabel('1-Specificity')
- ylabel('Sensitivity')
- title('ROC')
- grid on
- % Youden 指数
- figure
- X = TPR-FPR;
- plot(X ,'r','LineWidth',2);
- title('Youden 指数');
- % TPR、FPR 随阈值的变化,便于观察、确定阈值
- figure ,plot3(FPR , TPR , T ,'Color' , 'r' ,'LineWidth',2);
- xlabel('\fontsize{14}\bfX轴 -- FPR')
- ylabel('\fontsize{14}\bfY轴 -- TPR')
- zlabel('\fontsize{14}\bfZ轴 -- Threshold')
- title('\fontsize{14}\bf阈值选取')
Plot_PN_pdf function :
- % 根据 Label2Score 绘制正、负标记的概率密度函数曲线
- function Plot_PN_pdf(Mat_label2score)
- [La_P_r , La_P_c] = find(Mat_label2score(:,1) == 1);
- [La_N_r , La_N_c] = find(Mat_label2score(:,1) == 0);
- P_Score = Mat_label2score(La_P_r , 2);
- N_Score = Mat_label2score(La_N_r , 2);
- [P_Count , P_bin] = hist(P_Score , 50);
- [N_Count , N_bin] = hist(N_Score , 50);
- P_Count = (P_Count - min(P_Count))/(max(P_Count) - min(P_Count));
- N_Count = (N_Count - min(N_Count))/(max(N_Count) - min(N_Count));
- figure
- values = spcrv([[P_bin(1) P_bin P_bin(end)];[P_Count(1) P_Count P_Count(end)]],3);
- plot(values(1,:),values(2,:),'Color' , 'r' ,'LineWidth',2);
- hold on
- values = spcrv([[N_bin(1) N_bin N_bin(end)];[N_Count(1) N_Count N_Count(end)]],3);
- plot(values(1,:),values(2,:),'Color' , 'b' ,'LineWidth',2);
- legend('\fontsize{14}\it P-Labeled','\fontsize{14}\it N-Labeled')
- xlabel('\fontsize{14}\bfScore')
- ylabel('\fontsize{14}\bffrequency')
- title('\fontsize{14}\bf正、负标记分布曲线')
中间结果:
(1) (2)
(3) (4)
(1)图刻画了正负测试数据的预测得分分布(概率密度函数),并表明了正负测试样本得分的交叉程度。交叉程度由两者曲线下的交叉部分的积分,即面积决定。交叉越多,则表明分类器效果越差,反之,效果越好。
(2)图则是ROC曲线,越靠近左上角,分类器性能越好。
(3)图则是ROC曲线应用时,选取实际应用阈值的参考方法之一:Youden指数。曲线最高点对应的阈值为最好的应用阈值。Youden指数可参考如下文章第6页:http://www.medicalbiostatistics.com/roccurve.pdf
(4)图是基于ROC,选取阈值的曲线。X, Y分别为假阳率、真阳率,Z轴则是相应的阈值。要始终记住的是,ROC曲线的产生,就是因为以阈值作为变量,在不同阈值下,得到的多组真阳、假阳率点绘制而来的ROC曲线。所以ROC曲线上的任何一个点,都是有对应的阈值的。绘制ROC曲线的目的,除了直观的看到分类器性能,另一个重要作用就是,根据ROC曲线,选取一个合理的阈值,用于实际检测、应用、判定。
另附两篇个人觉得很有用的博文链接,是关于ROC和Precision-Recall的讲解的:
[1] http://www.zhizhihu.com/html/y2012/4076.html
[2] http://blog.csdn.net/abcjennifer/article/details/7834256
//=============== 28-Aug-2015 增加==================//
目标检测中另外常用的评价标准则是FPPW和FPPI,详细应用可以参考这篇文章:
Pedestrian detection: A benchmark
两者都侧重考察FP(False Positive)出现的频率。
FPPW (False Positive per Window)
基本含义:给定一定数目N的负样本图像,分类器将负样本判定为“正”的次数FP,其比率FP/N即为FPPW。意义与ROC中的假阳率相同。FPPW中,一张图就是一个样本。
FPPI (False Positive per Image)
基本含义:给定一定数目N的样本集,内含N张图像,每张图像内包含或不包含检测目标。
每张图像均需要标定:
1.包含目标的个数;
2. 目标的准确位置L。
而后在每张图像上运行分类器,检测目标并得到位置p。然后,检查每张图像内的检测结果是否“击中”标定的目标:
a. 若图像内无目标,而分类器给出了n个“目标”检测结果,那么False Positive 次数 +n;
b. 若图像内有目标,则判断p是否击中L,判断标准参看上述文章(主要看p与L的重叠率)。若判断未击中,则False Positive 次数 +1。
最后 FPPI = (False Positive 次数)/N。
FPPI 相比于FPPW来说,更接近于分类器的实际应用情况。