আপনি সঠিক পথে আছেন
তাই ব্যাট থেকে কিছু জিনিস। দুটি মেট্রিকের সংজ্ঞা থেকে, আমাদের কাছে আছে যে আইওইউ এবং এফ স্কোর সর্বদা একে অপরের 2 এর একটি ফ্যাক্টরের মধ্যে থাকে:
এবং এও যে তারা শর্তে এক এবং শূন্যের চূড়ায় মিলিত হয় যা আপনি প্রত্যাশা করবেন (নিখুঁত ম্যাচ এবং সম্পূর্ণরূপে বিচ্ছিন্ন)।
F/2≤IoU≤F
এও নোট করুন যে তাদের মধ্যে অনুপাতটি আইওইউয়ের সাথে স্পষ্টভাবে সম্পর্কিত হতে পারে:
যাতে অনুপাত পন্থা 1/2 উভয় বৈশিষ্ট্যের মান শূন্য কাছে।
IoU/F=1/2+IoU/2
তবে আরও একটি শক্তিশালী বক্তব্য রয়েছে যা একটি লা মেশিন শেখার শ্রেণিবিন্যাসের সাধারণ প্রয়োগের জন্য তৈরি করা যেতে পারে। কোনও স্থির "স্থল সত্য" এর জন্য দুটি মেট্রিক সবসময় ইতিবাচকভাবে সম্পর্কিত হয়। এর অর্থ হ'ল শ্রেণীবদ্ধী A যদি একটি মেট্রিকের অধীনে বি এর চেয়ে ভাল হয় তবে এটি অন্য মেট্রিকের অধীনে শ্রেণিবদ্ধ বিয়ের চেয়েও ভাল।
তখন এই সিদ্ধান্তে উজ্জীবিত হয় যে দুটি মেট্রিকগুলি কার্যত সমতুল্য তাই তাদের মধ্যে পছন্দটি নির্বিচারে, তবে এত দ্রুত নয়! ইনফারেন্সের সেটগুলিতে গড় স্কোর নেওয়ার সময় সমস্যাটি উপস্থিত হয় । তারপর পার্থক্য emerges যখন পরিমাণে কিভাবে অনেক খারাপ ক্লাসিফায়ার বি কোনো ক্ষেত্রে এর জন্য একটি চেয়ে।
সাধারণভাবে, আইওইউ মেট্রিক এফ স্কোরের চেয়ে খারাপ শ্রেণিবদ্ধার একক উদাহরণকে পরিমাণগতভাবে দণ্ডিত করে, এমনকি যখন তারা উভয়ই একমত হতে পারে যে এই একটি উদাহরণটি খারাপ is L2 L1 এর চেয়ে বড় ভুলকে কীভাবে শাস্তি দিতে পারে তার একইভাবে, আইওইউ মেট্রিক এফ স্কোরের সাথে সম্পর্কিত ত্রুটির উপর "স্কোয়ারিং" প্রভাব রাখে। সুতরাং এফ স্কোর গড় পারফরম্যান্সের কাছাকাছি কিছু পরিমাপ করতে ঝোঁক, যখন আইওইউ স্কোর সবচেয়ে খারাপ ক্ষেত্রে পারফরম্যান্সের কাছাকাছি কিছু পরিমাপ করে।
উদাহরণস্বরূপ ধরুন যে বিস্তর সংখ্যাটি বি এর তুলনায় শ্রেণিবদ্ধ A এর সাথে মাঝারিভাবে আরও ভাল, তবে তাদের মধ্যে কয়েকটি শ্রেণিবদ্ধের এ ব্যবহার করে উল্লেখযোগ্যভাবে খারাপ এটি আই ম ইউ আর মেট্রিকের পক্ষে যখন এফ মেট্রিক শ্রেণিবদ্ধ A এর পক্ষে থাকে তবে এটি হতে পারে case শ্রেণিবদ্ধ বি।
নিশ্চিত হওয়া যায় যে এই দুটি মেট্রিকই তার চেয়ে আলাদা ike তবে উভয়ই অনেকগুলি অনুমানের তুলনায় এই স্কোরগুলির গড় গ্রহণের দৃষ্টিকোণ থেকে আরেকটি অসুবিধায় ভুগছেন: তারা উভয়ই সামান্য-কোনও-সত্যিকারের স্থল সত্যের ইতিবাচক সেটগুলির সাথে সেটগুলির গুরুত্বকে বাড়াবাড়ি করে। চিত্র বিভাজনের সাধারণ উদাহরণে, যদি কোনও চিত্রের মধ্যে কেবল কিছু সনাক্তকারী শ্রেণীর একক পিক্সেল থাকে এবং শ্রেণিবদ্ধকারী সেই পিক্সেল এবং অন্য একটি পিক্সেল সনাক্ত করে, তবে তার এফ স্কোরটি 2/3 হ'ল এবং আইওইউ আরও 1 / এ আরও খারাপ হয় 2। এর মতো তুচ্ছ ভুলগুলি চিত্রের সেটকে ধরে নেওয়া গড় স্কোরকে মারাত্মকভাবে প্রাধান্য দিতে পারে। সংক্ষেপে, এটি প্রতিটি পিক্সেল ত্রুটি বিপরীতভাবে নির্বাচিত / প্রাসঙ্গিক সেটের আকারের সাথে সমানভাবে আচরণ করার চেয়ে ওজনের হয় ights
এখানে অনেক সহজ মেট্রিক রয়েছে যা এই সমস্যাটি এড়িয়ে চলে। কেবলমাত্র মোট ত্রুটিটি ব্যবহার করুন: এফএন + এফপি (উদাহরণস্বরূপ চিত্রের 5% পিক্সেল ভুল শৈলীযুক্ত ছিল)। একের ক্ষেত্রে অন্যটির চেয়ে গুরুত্বপূর্ণ যেখানে, একটি ওজনযুক্ত গড় ব্যবহার করা যেতে পারে: c0c1