基于Python实现的Kappa系数、总体精度、F1分数、召回率、准确度计算 | 您所在的位置:网站首页 › 加权卡帕系数 › 基于Python实现的Kappa系数、总体精度、F1分数、召回率、准确度计算 |
引言 遥感图像分类结果往往需要一定的精度评价指标进行精度验证,包括:Kappa系数、总体精度(Overall Accuracy)、准确率(precision)、召回率(Recall)、F1分数。目前遥感应用方面的科研人员多利用ENVI或者Arcgis软件(验证点shp属性值提取)、SPSS进行精度验证。上述方法处理过程较为复杂,不适用于大量的结果验证。因而本文编写了基于Excle表格中属性值的Python代码,一次性计算上述所有指标,表格的数据来源于Arcgis软件中按点提取值操作,本代码适用于二分类的情况,且属性值必须为0和1。 评价指标描述1.Kappa系数 该指标常被用于影像分类的空间一致性检验,是一种衡量分类精度的指标。它是通过把所有地表真实分类中的像元总数(N)乘以混淆矩阵对角线(Xkk)的和,再减去某一类地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果,再除以总像元数的平方减去某一类地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。 计算公式如下: p0是每一类正确分类的样本数量之和除以总样本数,也就是总体分类精度每一类的真实样本个数分别为a1,a2,...,aC,而预测出来的每一类的样本个数分别为b1,b2,...,bC;n为样本总数2.总体精度 总体分类精度是指对每一个随机样本,所分类的结果与检验数据类型相一致的概率。经常和Kappa系数配合使用。 相关参数说明(下同): True Positive(真正,TP):将正类预测为正类数 True Negative(真负,TN):将负类预测为负类数 False Positive(假正,FP):将负类预测为正类数误报 (Type I error) False Negative(假负,FN):将正类预测为负类数→漏报 (Type II error) 3.准确率 精确率是对预测结果而言的,它表示的是预测为正的样本中有多少是真正的正样本。 计算公式如下: 4.召回率 召回率是对原始样本的评价,它表示的是样本中的正例有多少被预测正确了。 计算公式如下: R=\frac{TP}{TP+FN} 5.F1分数 上述指标的P和R,即精确度和召回率在评价结果时,极易出现指数度量的饱和,因此需要利用F1分数来进行度量。 计算公式如下: |
CopyRight 2018-2019 实验室设备网 版权所有 |