图像分类精度评价 | 您所在的位置:网站首页 › ua和ma的关系 › 图像分类精度评价 |
新年第一篇,介绍一个经常混淆的问题——图像分类精度评价,多种精度评价指标的含义
1、混淆矩阵
2、 用户精度 User's Accuracy (UA) 用户(使用者)精度表示在该次分类中,在分类图上,落在该类别上的检验点,被正确分类为该类别的比率。
2.1 误判误差 (Commission Error) 误判误差指该类别被错误分类的概率。 误判误差 = 1 - 用户精度
3、生产者精度 Producer's Accuracy (PA) 生产者精度表示在此次分类中,该类别的地面真实参考数据被正确分类的概率。
3.1 漏判误差 (Omission Error) 漏判误差指该类别在分类时被遗漏的概率。 漏判误差 = 1 - 生产者精度
4、总体精度 (Overall Accuracy) 总体精度指所有正确分类的土地覆盖类别的检验点数所占总抽取的检核点数的百分比;即在混淆矩阵中对角线的所有数值和除以全部样本的总和。
5、Kappa系数 Cohen于1960年提出Kappa指标作为表示分类结果比随机分类好多少的指标。Kappa系数考虑到两种一致性的差异,一是自动分类和参考数据间的一致性,另一种是取样和参考分类的一致性。一般而言,Kappa介于0~1之间,Kappa值越大表示分类精度越高。
|
CopyRight 2018-2019 实验室设备网 版权所有 |