机器学习指标包Tensorflow PyTorch-Keras 一个项目的重要方面是测试机器学习算法。如果使用索引进行评估,则该模型可以提供令人满意的结果。但是,如果根据其他指标(例如对数损失或其他类似指标)进行评估,则结果可能会很差。通常,我们使用分类精度来计算模型的效率,但不足以真正评估模型。在此仓库中,涵盖了用于不同类型的模型/应用程序的各种形式的度量。 分类 分类精度 混淆矩阵 精确度和召回率 F测度 接收器工作特性(ROC) 曲线下面积(AUC) 精确召回曲线 分割 联盟交叉口(IOU) 骰子系数 像素精度 精确度和召回率 混淆矩阵 接收器工作特性(ROC) 曲线下面积(AUC) 物体检测 平均精度(帕斯卡) 平均精度(COCO) 混淆矩阵 PR曲线 必要进口 # for creating custom metrics import numpy as np # for plott