ডাইস সহগটি কি নির্ভুলতার মতো?

ভলিউমের মিলের জন্য আমি ডাইস সহগ জুড়ে এসেছি ( https://en.wikedia.org/wiki/S%C3%B8rensen%E2%80%93 ডাইস_কোফিসিটি ) এবং যথার্থতা ( https://en.wikedia.org/wiki/Acturacy_and_precision )।

আমার কাছে মনে হয় এই দুটি ব্যবস্থা একই রকম। কোন চিন্তা?

— RockTheStar
সূত্র

এটি স্ট্যাটাসস্টেক্সচেঞ্জ

— সেকশনস /

@ র‌্যাঙ্ক 1 ধন্যবাদ আমি স্পষ্ট করে বলতে চাই: এটি কি আমার প্রশ্নের লিঙ্ক নয় :)

— রকটস্টার

ওহো, এই এক: ncbi.nlm.nih.gov/pmc/articles/PMC4533825

— rank1

উত্তর:

এগুলি একই জিনিস নয় এবং এগুলি প্রায়শই বিভিন্ন প্রসঙ্গে ব্যবহৃত হয়। ডাইস স্কোর প্রায়শই ইমেজ বিভাজন পদ্ধতির কর্মক্ষমতা প্রমাণ করতে ব্যবহৃত হয় । সেখানে আপনি আপনার চিত্রটিতে কিছু স্থল সত্য অঞ্চলটি বর্নিত করেন এবং তারপরে এটি করার জন্য একটি স্বয়ংক্রিয় অ্যালগরিদম তৈরি করুন। আপনি ডাইস স্কোর গণনা করে অ্যালগরিদমকে বৈধতা দিন, যা বস্তুগুলির তুলনায় কতটা মিল। সুতরাং এটি দুটি বস্তুর মোট আকার দ্বারা বিভক্ত দুটি বিভাগের ওভারল্যাপের আকার। যেমন সঠিকতা বর্ণনা একই পদ ব্যবহার করে, পাশা স্কোর হল:

পাশা স্কোর = \frac{2 \cdot সত্য ধনাত্মক সংখ্যা}{2 \cdot সত্য ধনাত্মক সংখ্যা + মিথ্যা ধনাত্মক সংখ্যা + মিথ্যা নেতিবাচক সংখ্যা}

$\text{Dice score} = \frac{2\cdot \text{number of true positives}}{2 \cdot \text{number of true positives + number of false positives + number of false negatives}}$ সত্য ইতিবাচক সংখ্যা সুতরাং, নম্বর আপনার পদ্ধতি খুঁজে বের করে যে, ইতিবাচক সংখ্যা এবং ইতিবাচক পাওয়া যাবে মোট সংখ্যা মিথ্যা সংখ্যা ধনাত্মক হ'ল পয়েন্টগুলির সংখ্যা যেটি নেতিবাচক যা আপনার পদ্ধতিটি ইতিবাচক হিসাবে শ্রেণিবদ্ধ করে।

ডাইস স্কোরটি কেবলমাত্র আপনি কত ধনাত্মক সন্ধান করে তার একটি পরিমাপ নয়, তবে এটি পদ্ধতিটি যে নির্ভুলতার সাথে সন্ধান করে, তার যথার্থতার সাথে মিলে যায় for সুতরাং এটি নির্ভুলতার চেয়ে নির্ভুলতার সাথে বেশি মিল। পার্থক্যটি হ'ল ডিনোমিনেটর, যেখানে পদ্ধতিটি খুঁজে পাওয়া ধনাত্মকগুলির পরিবর্তে আপনার মোট ধনাত্মক সংখ্যা রয়েছে। সুতরাং আপনার আলগোরিদিম / পদ্ধতিটি যে ধনাত্মকতাগুলি খুঁজে পেতে পারে নি তার জন্য ডাইস স্কোরও শাস্তি দিচ্ছে।

সম্পাদনা: ইমেজ সেগমেন্টেশন ক্ষেত্রে, চল বলে স্থল সত্যের সঙ্গে একটি মাস্ক আছে, মুখোশ কল দিন $A$ মত সুপারিশ। সুতরাং মুখোশের পিক্সেলগুলিতে মান 1 রয়েছে যেখানে আপনি সন্ধান করার চেষ্টা করছেন এমন কিছু আছে এবং অন্যটি শূন্য। এখন আপনার কাছে ইমেজ / মাস্ক $B$ তৈরি করতে একটি অ্যালগরিদম রয়েছে , এটি বাইনারি ইমেজও হতে হবে, অর্থাত্ আপনার বিভাগটি বিভাজনের জন্য একটি মুখোশ তৈরি করুন। তারপরে আমাদের নিম্নলিখিতটি রয়েছে:

ধনাত্মক সংখ্যা হ'ল চিত্রের তীব্রতা থাকা পিক্সেলের মোট সংখ্যা $A$
সত্য ধনাত্মক সংখ্যা হ'ল পিক্সেলের মোট সংখ্যা যা $A$ এবং $B$ উভয় ক্ষেত্রেই মান 1 । সুতরাং এটি $A$ এবং $B$ অঞ্চলগুলির ছেদটি । এটি $A$ এবং $B$ AND অপারেটর ব্যবহার করার মতো ।
মিথ্যা ধনাত্মক সংখ্যাটি পিক্সেলগুলির সংখ্যা যা $B$ 1 হিসাবে দেখা যায় তবে $A$ শূন্য হয় ।

আপনি যদি কোনও প্রকাশনার জন্য এটি করে থাকেন তবে ডাইসটি একটি মূলধন ডি দিয়ে লিখুন, কারণ এটি ডাইস নামের একটি ব্যক্তির নামে রাখা হয়েছে is

সম্পাদনা: একটি সংশোধন সম্পর্কে মন্তব্য সম্পর্কে: আমি পাশা গুণাগুণ গণনা করার জন্য traditionalতিহ্যগত সূত্রটি ব্যবহার করি না, তবে আমি যদি অন্য উত্তরে স্বরলিপিটিতে এটি অনুবাদ করি তবে তা হয়ে যায়:

পাশা স্কোর = \frac{2 \cdot | একজন \cap বি |}{2 \cdot | একজন \cap বি | + + | বি ∖ একজন | + + | একজন ∖ বি |}

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

যা সনাতন সংজ্ঞার সমতুল্য। মিথ্যা ধনাত্মকতার সূত্রে সূত্রটি লেখার জন্য আমি এটি মূলত যেভাবে লিখেছি এটি আরও সুবিধাজনক। ব্যাকস্ল্যাশ হ'ল সেট বিয়োগ।

— Gumeo
সূত্র

জবাবের জন্য ধন্যবাদ. ইমেজ বিভাজন তুলনা জন্য ঠিক। সুতরাং, এই ডাইস স্কোরটি ব্যবহার করা হয়, বলুন, চিত্র এ এবং চিত্র বি দিন Image সুতরাং, ধনাত্মক (1) এর মোট সংখ্যাটি কী, এ + এ 1 এর বি সংখ্যা 1 এর ?? আমি এখানে কিছুটা বিভ্রান্ত হয়ে পড়েছি। মিথ্যা ধনাত্মক হিসাবে একই

— RockTheStar

@ রক দ্য স্টার আমি আমার উত্তরটি চিত্র বিভাজনের জন্য অ্যাকাউন্টে সম্পাদনা করব।

— গুমেও

দুর্দান্ত, আপনার ব্যাখ্যার জন্য অনেক ধন্যবাদ। আরও একটি ফলো-আপ প্রশ্ন। ডি এর পরিসর সম্পর্কে কী? এটি কি 0 এবং 1 এর মধ্যে?

— রকটস্টার

দুর্দান্ত, ধন্যবাদ! এটি বাস্তবায়ন করবে এবং ফলাফলটি

— দেখবে

@ গুমেও আপনি নিজের উত্তরটি ঠিক করতে বা কমপক্ষে ব্যাখ্যা করতে চাইতে পারেন, দয়া করে বিশদটির জন্য আমার নতুন উত্তরটি দেখুন

— ডিভিবি

পাশা সহগ (এছাড়াও পাশা আদল সূচক নামেও পরিচিত) হিসাবে একই এফ 1 স্কোর , কিন্তু এটা সঠিকতা হিসাবে একই নয়। মূল পার্থক্যটি এই সত্যটি হতে পারে যে নির্ভুলতা সত্য negativeণাত্মক বিবেচনায় নেয় যখন ডাইস সহগ এবং অন্যান্য অনেকগুলি ব্যবস্থা সত্যিকারের নেগেটিভকে কেবল উদ্বেগজনক ডিফল্ট হিসাবে পরিচালনা করে ( ক্লাসিফায়ার মূল্যায়নের মূল বিষয়গুলি দেখুন , অংশ 1 )।

যতদূর আমি বলতে পারি, ডাইস কোফিলিটি আগের উত্তর দ্বারা বর্ণিত হিসাবে গণনা করা হয়নি , যা আসলে জ্যাকার্ড সূচক (কম্পিউটার দৃষ্টিভঙ্গিতে "ছেদ ওভার ইউনিয়ন" নামে পরিচিত) সূত্র ধারণ করে ।

\begin{aligned} ডি আমি গ ই (একজন, বি) & = \frac{2 | একজন \cdot বি |}{| একজন | + + | বি |} \\ এফ 1 (একজন, বি) & = \frac{2}{| একজন | / | একজন \cdot বি | + + | বি | / | একজন \cdot বি |} \\ জে একটি গ গ একটি R ঘ (একজন, বি) & = \frac{| একজন \cdot বি |}{| মি একটি এক্স (একজন, বি) |} = \frac{| একজন \cdot বি |}{| একজন | + + | বি | - | একজন \cdot বি |} \\ একজন গ গ তোমার দর্শন লগ করা R একটি গ Y (একজন, বি) & = \frac{| একজন \cdot বি | + + | \bar{একজন} \cdot \bar{বি} |}{| একজন ঠ ঠ |} \end{aligned}

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

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

ডাইস সহগ এবং জ্যাকার্ড সূচক একঘেয়েভাবে সম্পর্কিত, এবং এ সম্পর্কিত স্কোর, ডাইস এবং জ্যাকার্ডের মিলের সাদৃশ্য দেখতে আরও পড়ার জন্য ট্রভারস্কি সূচক উভয়কেই সাধারণীকরণ করে ।

ডাইস কোফিলিটিও সংবেদনশীলতা এবং যথার্থতার সুরেলা মাধ্যম, এটি কেন বোঝায় তা বোঝার জন্য, পড়ুন কেন এফ-মেজারার সুরেলা এবং পুনরুদ্ধারের ব্যবস্থাগুলির পাটিগণিত নয়? ।

এই উত্তর এবং তাদের সম্পর্কের শর্তাদি সম্পর্কে আরও পড়তে বাইনারি শ্রেণিবদ্ধের মূল্যায়ন দেখুন ।

— DVB
সূত্র