สัมประสิทธิ์ของลูกเต๋าเหมือนกับความถูกต้องหรือไม่?

ผมเจอค่าสัมประสิทธิ์ลูกเต๋าสำหรับความคล้ายคลึงกันเสียง ( https://en.wikipedia.org/wiki/S%C3%B8rensen%E2%80%93Dice_coefficient ) และความถูกต้อง ( https://en.wikipedia.org/wiki/Accuracy_and_precision )

สำหรับฉันแล้วดูเหมือนว่ามาตรการทั้งสองนี้เหมือนกัน ความคิดใด ๆ

สิ่งเหล่านี้ไม่เหมือนกันและมักใช้ในบริบทที่แตกต่างกัน คะแนนลูกเต๋ามักจะใช้ในปริมาณประสิทธิภาพการทำงานของการแบ่งส่วนภาพวิธีการ ที่นั่นคุณได้ใส่คำอธิบายประกอบขอบเขตความจริงพื้นดินในภาพของคุณแล้วทำอัลกอริทึมอัตโนมัติที่จะทำ คุณตรวจสอบอัลกอริทึมโดยการคำนวณคะแนนลูกเต๋าซึ่งเป็นการวัดความคล้ายคลึงของวัตถุ ดังนั้นมันคือขนาดของการทับซ้อนของการแบ่งส่วนสองส่วนหารด้วยขนาดทั้งหมดของวัตถุทั้งสอง ใช้คำเดียวกันกับการอธิบายความถูกต้องคะแนนลูกเต๋าคือ:

$$\text{Dice score} = \frac{2\cdot \text{number of true positives}}{2 \cdot \text{number of true positives + number of false positives + number of false negatives}}$$ ดังนั้นจำนวนบวกที่แท้จริงที่เป็นตัวเลขที่พบวิธีการของคุณจำนวนบวกคือจำนวนของผลบวกที่สามารถพบได้และจำนวนเท็จ บวกคือจำนวนคะแนนที่เป็นลบที่วิธีการของคุณจัดว่าเป็นบวก

คะแนนลูกเต๋าไม่ได้เป็นเพียงการวัดจำนวนผลบวกที่คุณพบ แต่ยังลงโทษสำหรับผลบวกปลอมที่วิธีการค้นหาคล้ายกับความแม่นยำ ดังนั้นมันจึงคล้ายกับความแม่นยำมากกว่าความแม่นยำ ความแตกต่างเพียงอย่างเดียวคือตัวหารที่คุณมีจำนวนผลบวกทั้งหมดแทนที่จะเป็นเฉพาะผลบวกที่วิธีการค้นหา ดังนั้นคะแนนของลูกเต๋าจึงเป็นการลงโทษสำหรับผลบวกที่อัลกอริทึม / วิธีการของคุณไม่สามารถหาได้

แก้ไข:ในกรณีของการแบ่งส่วนภาพสมมติว่าคุณมีหน้ากากที่มีพื้นจริงเรียกว่าหน้ากาก$A$อย่างที่คุณแนะนำ ดังนั้นหน้ากากจึงมีค่า 1 ในพิกเซลที่มีบางสิ่งที่คุณพยายามค้นหาและเป็นศูนย์อื่น ตอนนี้คุณมีอัลกอริทึมในการสร้างอิมเมจ / มาสก์$B$ซึ่งต้องเป็นอิมเมจไบนารี่เช่นคุณสร้างมาสก์สำหรับการแบ่งส่วน จากนั้นเรามีดังต่อไปนี้:

• จำนวนการบวกคือจำนวนพิกเซลทั้งหมดที่มีความเข้ม 1 ในรูปภาพ$A$
• จำนวนบวกที่แท้จริงคือจำนวนของพิกเซลที่มีมูลค่า 1 ทั้งในและB ดังนั้นจึงเป็นจุดตัดของภูมิภาคของคนในและB มันเป็นเช่นเดียวกับการใช้และผู้ประกอบการในและB$A$$B$$A$$B$$A$$B$
• จำนวนบวกเท็จคือจำนวนพิกเซลที่ปรากฏเป็น 1 ใน$B$แต่ศูนย์ใน$A$

หากคุณกำลังทำสิ่งนี้เพื่อตีพิมพ์เขียน Dice ด้วยตัวพิมพ์ใหญ่ D เพราะถูกตั้งชื่อตามชายที่ชื่อ Dice

แก้ไข:เกี่ยวกับความคิดเห็นเกี่ยวกับการแก้ไข: ฉันไม่ได้ใช้สูตรดั้งเดิมในการคำนวณค่าสัมประสิทธิ์ลูกเต๋า แต่ถ้าฉันแปลเป็นเครื่องหมายในคำตอบอื่น ๆ มันจะกลายเป็น:

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

ซึ่งเทียบเท่ากับนิยามดั้งเดิม สะดวกกว่าที่จะเขียนในแบบที่ฉันเขียนไว้ แต่เดิมเพื่อระบุสูตรในแง่ของผลบวกที่ผิดพลาด แบ็กสแลชคือชุดลบ

ลูกเต๋าค่าสัมประสิทธิ์ (หรือเรียกว่าดัชนีความคล้ายคลึงกันลูกเต๋า) เป็นเช่นเดียวกับคะแนน F1แต่มันไม่ได้เป็นเช่นเดียวกับความถูกต้อง แตกต่างที่สำคัญอาจจะมีความจริงที่ว่ามีความถูกต้องคำนึงถึงความจริงเชิงลบในขณะที่ค่าสัมประสิทธิ์ลูกเต๋าและหลายมาตรการอื่น ๆ เพียงแค่จัดการเชิงลบที่แท้จริงเป็นค่าเริ่มต้นจืด (ดูพื้นฐานของการประเมินผลลักษณนามตอนที่ 1 )

เท่าที่ฉันสามารถบอกได้ค่าสัมประสิทธิ์ลูกเต๋าไม่ได้คำนวณตามคำอธิบายก่อนหน้าซึ่งจริง ๆ แล้วมีสูตรสำหรับดัชนี Jaccard (หรือที่รู้จักกันในชื่อ

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

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

ค่าสัมประสิทธิ์ลูกเต๋าและดัชนี Jaccard ที่เกี่ยวข้อง monotonically และ generalizes ดัชนี Tversky พวกเขาทั้งสองเพื่ออ่านรายละเอียดเพิ่มเติมเกี่ยวกับเรื่องนี้ดูF-คะแนนลูกเต๋าและ Jaccard ชุดคล้ายคลึงกัน

ค่าสัมประสิทธิ์ลูกเต๋ายังเป็นค่าเฉลี่ยของความไวและความแม่นยำเพื่อดูว่าทำไมจึงสมเหตุสมผลอ่านทำไม F-Measure ค่าเฉลี่ยฮาร์มอนิกและไม่ใช่ค่าเฉลี่ยเลขคณิตของมาตรการความแม่นยำและการเรียกคืน? .

อ่านเพิ่มเติมเกี่ยวกับหลายคำในคำตอบนี้และความสัมพันธ์ของพวกเขาให้ดูที่การประเมินผลการจําแนกไบนารี