주사위 계수는 정확도와 동일합니까?

볼륨 유사성 ( https://en.wikipedia.org/wiki/S%C3%B8rensen%E2%80%93Dice_coefficient ) 및 정확성 ( https://en.wikipedia.org/wiki/Accuracy_and_precision )에 대한 주사위 계수를 살펴 봅니다. ).

이 두 측정 값이 동일한 것 같습니다. 이견있는 사람?

— RockTheStar
소스

이 모든 정보 제공 stats.stackexchange.com/questions/195006/...

— rank1

@ rank1 감사합니다. 명확히하고 싶습니다 : 그것은 내 질문에 대한 링크가 아닙니다 :)

— RockTheStar

어머,이 : ncbi.nlm.nih.gov/pmc/articles/PMC4533825

— rank1

답변:

이것들은 같은 것이 아니며 종종 다른 상황에서 사용됩니다. 주사위 점수는 종종 이미지 분할 방법 의 성능을 정량화하는 데 사용됩니다 . 거기에서 이미지의 일부 진실 영역에 주석을 달고 자동화 알고리즘을 작성합니다. 주사위 점수를 계산하여 알고리즘의 유효성을 검사합니다. 주사위 점수는 객체의 유사도를 측정 한 것입니다. 따라서 두 세그먼트의 오버랩 크기를 두 개체의 총 크기로 나눈 값입니다. 정확성을 설명하는 것과 동일한 용어를 사용하여 주사위 점수는 다음과 같습니다.

주사위 점수 = \frac{2 \cdot 진정한 긍정의 수}{2 \cdot 진양 수 + 오 탐지 + 오음 수}

$\text{Dice score} = \frac{2\cdot \text{number of true positives}}{2 \cdot \text{number of true positives + number of false positives + number of false negatives}}$ 따라서 참 긍정 수는 분석법이 찾은 수이며, 긍정 수는 찾을 수있는 총 긍정 수와 거짓 수입니다. 양수는 방법이 양수로 분류하는 음수 포인트입니다.

주사위 점수는 발견 한 양성의 수를 측정 할뿐 아니라 정밀도와 유사하게 방법이 찾은 허위 양성에 대한 불이익을줍니다. 정확도보다 정확도와 더 비슷합니다. 유일한 차이점은 분모입니다. 여기에서 방법이 찾은 양수 대신 총 양수를 갖습니다. 따라서 주사위 점수는 알고리즘 / 방법으로 찾을 수없는 긍정적 인 것에 대한 처벌을하고 있습니다.

편집 : 이미지 분할의 경우, 사실이있는 마스크가 있다고 가정하고 제안 $A$ 것처럼 마스크 호출합시다 . 따라서 마스크는 찾으려고하는 것이있는 픽셀의 값이 1이고 그렇지 않으면 0입니다. 이제 이미지 / 마스크 $B$ 를 생성하는 알고리즘이 있으며, 이진 이미지 여야합니다. 즉, 세그먼트 화를위한 마스크를 만듭니다. 그런 다음 우리는 다음을 가지고 있습니다.

포지티브 수 는 이미지 에서 강도 1을 갖는 총 픽셀 수입니다 $A$
진양 수는 $A$ 와 $B$ 모두 1 값을 갖는 총 픽셀 수입니다 . $A$ 와 $B$ 의 영역의 교차점입니다 . $A$ 와 $B$ 에서 AND 연산자를 사용하는 것과 같습니다 .
가양 번호 1로 표시되는 픽셀 수를 $B$ 하지만 제로 . $A$

출판을 위해이 작업을 수행하는 경우, 이름이 Dice 인 사람의 이름을 따서 지정되므로 대문자 D로 주사위를 작성하십시오.

편집 : 수정 에 대한 의견과 관련하여 : 나는 전통적인 공식을 사용하여 주사위 계수를 계산하지 않지만 다른 답변의 표기법으로 변환하면 다음과 같이됩니다.

주사위 점수 = \frac{2 \cdot | ㅏ \cap 비 |}{2 \cdot | ㅏ \cap 비 | + | 비 ∖ ㅏ | + | ㅏ ∖ 비 |}

$\text{Dice score} = \frac{2\cdot|A\cap B|}{2\cdot|A\cap B| + |B\backslash A| + |A\backslash B|}$

이는 전통적인 정의와 동일합니다. 내가 오 탐지로 공식을 표현하기 위해 처음에 쓴 방식으로 작성하는 것이 더 편리합니다. 백 슬래시는 세트 빼기입니다.

— 구 메오
소스

답장을 보내 주셔서 감사합니다. 이미지 세그먼테이션 비교에 적합합니다. 따라서이 주사위 점수는 이미지 A와 이미지 B를 제공하는 데 사용됩니다. 이미지 A는 참 (0 또는 1)이고 이미지 B는 내 분할입니다. 그래서, 긍정의 총 수는 무엇입니까 (1), A의 1의 수 + B의 1의 수는? 나는 여기에 약간 혼란 스럽다. 거짓 긍정과 동일

— RockTheStar

@RockTheStar 이미지 분할에 대한 계정의 답변을 편집하겠습니다.

— Gumeo

설명해 주셔서 감사합니다. 후속 질문이 하나 더 있습니다. D의 범위는 어떻습니까? 0과 1 사이입니까?

— RockTheStar

감사합니다! 이것을 구현하고 결과를 볼 것입니다

— RockTheStar

@Gumeo 당신은 대답을 고치거나 최소한 설명하고 싶을 수도 있습니다. 자세한 내용은 새로운 답변을 참조하십시오

— dvb

주사위 계수 (또한 주사위 유사성 인덱스라고도 함)는 동일하다 F1 점수 하지만 정확도 같은 아니다. 주된 차이점은 정확도는 실제 음의 값을 고려하는 반면 주사위 계수 및 기타 여러 측정 값은 실제 음의 값을 관심없는 기본값으로 처리한다는 사실입니다 ( 분류기 평가의 기본 사항, 파트 1 참조 ).

내가 알 수있는 한, 주사위 계수는 이전 답변 에서 설명한대로 계산되지 않으며 실제로 Jaccard 색인 (컴퓨터 비전에서 "교집합을 통한 교차로"라고도 함) 공식이 포함되어 있습니다 .

\begin{aligned} 디 나는 씨 이자형 (ㅏ, 비) & = \frac{2 | ㅏ \cdot 비 |}{| ㅏ | + | 비 |} \\ 에프 1 (ㅏ, 비) & = \frac{2}{| ㅏ | / | ㅏ \cdot 비 | + | 비 | / | ㅏ \cdot 비 |} \\ 제이 ㅏ 씨 씨 ㅏ 아르 자형 디 (ㅏ, 비) & = \frac{| ㅏ \cdot 비 |}{| 미디엄 ㅏ 엑스 (ㅏ, 비) |} = \frac{| ㅏ \cdot 비 |}{| ㅏ | + | 비 | - | ㅏ \cdot 비 |} \\ ㅏ 씨 씨 유 아르 자형 ㅏ 씨 와이 (ㅏ, 비) & = \frac{| ㅏ \cdot 비 | + | \bar{ㅏ} \cdot \bar{비} |}{| ㅏ 엘 엘 |} \end{aligned}

$\begin{align*} Dice(A,B) &= \frac{2|A\cdot B|}{ |A| + |B| } \\ F1(A,B) &= \frac{2}{|A|/|A \cdot B| + |B|/|A\cdot B|} \\ Jaccard(A,B) &= \frac{|A\cdot B|}{|max(A,B)|} = \frac{|A\cdot B|}{|A|+|B|-|A\cdot B|}\\ Accuracy(A,B) &= \frac{|A\cdot B|+|\overline{A} \cdot \overline{B}|}{|All|} \\ \end{align*}$

$A,B$ $All$ $|A \cdot B|$ $A$ $B$ $|\overline{A} \cdot \overline{B}|$ $A$ $B$

주사위 계수와 Jaccard 지수는 단조 적으로 관련되어 있으며 Tversky 지수는 F- 점수, 주사위 및 Jaccard 세트 유사성을 참조하십시오 .

주사위 계수는 감도 및 정밀도의 고조파 평균이기도합니다. 왜 이것이 의미가 있는지 알아 보려면 F- 측정이 왜 고조파 평균이며 정밀도 및 리콜 측정의 산술 평균이 아닙니까?를 참조하십시오. .

이 답변의 여러 용어와 그 관계에 대한 자세한 내용 은 이진 분류기 평가를 참조하십시오 .

— dvb
소스