优化统计结果
本节中的主题提供了增加 VisionPro Deep Learning 应用程序统计性能的有用提示和技巧。
优化精度、召回、F-得分
每个 VisionPro Deep Learning 工具都有一个可调整的公差,这允许工具在预测时保持“挑剔”态度。
蓝色读取工具 | 蓝色定位工具 | 绿色分类工具 | 红色分析工具 | |
---|---|---|---|---|
在哪里调整 |
|
|
|
|
正在调整的内容 |
特征得分 |
特征得分 |
类得分 |
缺陷概率 |
此外,您还可以调整每个工具的阈值参数(处理工具参数之一)。
更改阈值参数会通过以下方式影响召回和精度:
阈值 | 召回 | 精度 |
---|---|---|
降低阈值 |
增加 |
减少 |
提高阈值 |
减少 |
增加 |
更改阈值参数会通过以下方式影响假阳性和假阴性:
阈值 | 假正值 | 假阴性 |
---|---|---|
降低阈值 |
减少 |
增加 |
提高阈值 |
增加 |
减少 |
如果要平衡的假阳性 (FP) 和假阴性 (FN) 结果,则应优化 F-得分(总体和平均值)。
Note: 对于蓝色定位,如果您有一个模型可以滤除假正值,则低精度分数的问题不大。
优化红色分析结果
要优化红色分析工具的性能,请记住以下内容:
- 更喜欢未经训练的对象的 AUC。
-
喜欢基于区域的 AUC。
- 这要求您标记所有不良样本。
- 通常远低于基于视图的 AUC。
-
阈值设置取决于应用程序的要求。
- 高阈值以避免假正值。
- 低阈值以避免假负值。
- 另外,一个很好的折衷方案是 %FP = %FN。