क्या पासा गुणांक सटीकता के समान है?

मैं मात्रा समानता के लिए पासा गुणांक ( https://en.wikipedia.org/wiki/S%C3%B8rensen%E2%80%93Dice_coeffic ) और सटीकता ( https://en.wikipedia.org/wiki/Accuracy_and_prepy ) पर आता हूं। )।

मुझे ऐसा लगता है कि ये दोनों उपाय समान हैं। कोई विचार?

— RockTheStar
स्रोत

यह सभी जानकारी आँकड़े

— questions/

@ रैंक 1 धन्यवाद। मैं स्पष्ट करना चाहता हूं: यह मेरे सवाल का लिंक नहीं है :)

— RockTheStar

ओह, यह एक: ncbi.nlm.nih.gov/pmc/articles/PMC4533825

— rank1

जवाबों:

ये एक ही चीज नहीं हैं और इन्हें अक्सर अलग-अलग संदर्भों में इस्तेमाल किया जाता है। पासा स्कोर का उपयोग अक्सर छवि विभाजन विधियों के प्रदर्शन को निर्धारित करने के लिए किया जाता है । वहाँ आप अपनी छवि में कुछ जमीनी सच्चाई क्षेत्र की व्याख्या करते हैं और फिर इसे करने के लिए एक स्वचालित एल्गोरिथ्म बनाते हैं। आप पासा स्कोर की गणना करके एल्गोरिथ्म को मान्य करते हैं, जो वस्तुओं के समान होने का एक उपाय है। तो यह दो वस्तुओं के कुल आकार से विभाजित दो विभाजन के ओवरलैप का आकार है। के रूप में सटीकता का वर्णन शब्दों का उपयोग करके, पासा स्कोर है:

पासा का अंक = \frac{2 \cdot सही सकारात्मक की संख्या}{2 \cdot सही सकारात्मक की संख्या + झूठी सकारात्मक की संख्या + झूठी नकारात्मक की संख्या}

$\text{Dice score} = \frac{2\cdot \text{number of true positives}}{2 \cdot \text{number of true positives + number of false positives + number of false negatives}}$ सच सकारात्मक की संख्या तो, संख्या अपने विधि पाता कि है, सकारात्मक की संख्या और सकारात्मक पाया जा सकता है की कुल संख्या झूठी की संख्या है सकारात्मकता उन बिंदुओं की संख्या है जो नकारात्मक हैं जो आपकी पद्धति को सकारात्मक रूप में वर्गीकृत करती है।

पासा स्कोर न केवल आप कितनी सकारात्मकता पाते हैं, इसका एक माप है, बल्कि यह सटीक सकारात्मकता के लिए भी दंडित करता है जो विधि सटीक रूप से मिलती है। इसलिए यह सटीकता की तुलना में सटीकता के समान है। एकमात्र अंतर भाजक है, जहां आपके पास केवल पॉज़िटिव के बजाय कुल पॉज़िटिव हैं जो विधि ढूंढता है। तो पासा स्कोर भी सकारात्मक है कि आपके एल्गोरिथ्म / विधि नहीं मिल सकता है के लिए दंडित कर रहा है।

संपादित करें: छवि विभाजन के मामले में, मान लीजिए कि आपके पास जमीनी सच्चाई के साथ एक मुखौटा है, तो आप जैसा सुझाव देते हैं वैसा ही मास्क $A$ कॉल करें । तो मास्क में पिक्सल में मान 1 होता है जहां कुछ ऐसा होता है जिसे आप खोजने की कोशिश करते हैं और शून्य। अब आपके पास इमेज / मास्क $B$ जेनरेट करने के लिए एक अल्गोरिदम है , जिसमें एक बाइनरी इमेज भी है, यानी आप सेगमेंट के लिए मास्क बनाते हैं। तो हमारे पास निम्नलिखित है:

पॉज़िटिव की संख्या उन पिक्सेल की कुल संख्या है जिनकी छवि में तीव्रता 1 है $A$
सच्ची सकारात्मकता की संख्या कुल पिक्सेल की संख्या है, जिसका मान $A$ और $B$ दोनों में 1 है । तो यह $A$ और $B$ में लोगों के क्षेत्रों का प्रतिच्छेदन है । यह $A$ और $B$ पर AND ऑपरेटर का उपयोग करने के समान है ।
झूठी सकारात्मक की संख्या पिक्सेल की संख्या है जो $B$ में 1 के रूप में दिखाई देती है लेकिन $A$ में शून्य है ।

यदि आप इसे एक प्रकाशन के लिए कर रहे हैं, तो पासा को एक राजधानी डी के साथ लिखें, क्योंकि यह एक नाम पासा नाम के लड़के के नाम पर है।

संपादित करें: सुधार के बारे में टिप्पणी के बारे में: मैं पासा गुणांक की गणना करने के लिए पारंपरिक सूत्र का उपयोग नहीं करता हूं, लेकिन अगर मैं इसे अन्य उत्तर में नोटेशन में अनुवाद करता हूं तो यह बन जाता है:

पासा का अंक = \frac{2 \cdot | ए \cap बी |}{2 \cdot | ए \cap बी | + | बी ∖ ए | + | ए ∖ बी |}

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

जो पारंपरिक परिभाषा के बराबर है। यह लिखने के लिए अधिक सुविधाजनक है जिस तरह से मैंने इसे मूल रूप से गलत सकारात्मकता के संदर्भ में सूत्र को लिखने के लिए लिखा था। बैकलैश सेट माइनस है।

— Gumeo
स्रोत

उत्तर के लिए धन्यवाद। वास्तव में छवि विभाजन तुलना के लिए। तो, इस पासा स्कोर का उपयोग किया जाता है, मान लीजिए कि छवि A और छवि B दें। छवि A जमीनी सच है (0 या 1), और छवि B मेरा विभाजन है। तो, सकारात्मकता की कुल संख्या (1) क्या है, जो कि A + 1 की संख्या B में 1 की संख्या है ?? मैं यहां थोड़ा भ्रमित हूं। झूठी सकारात्मक के रूप में ही

— RockTheStar

@RockTheStar मैं छवि विभाजन के लिए अपने जवाब को संपादित करूँगा।

— गोमो

महान, आपकी व्याख्या के लिए बहुत बहुत धन्यवाद। एक और अनुवर्ती सवाल। डी की सीमा के बारे में क्या? क्या वह 0 और 1 के बीच है?

— RockTheStar 19

बहुत धन्यवाद! इसे लागू करेंगे और परिणाम

— देखेंगे

@ जीयो आप ठीक करना चाहते हैं या कम से कम अपना उत्तर बता सकते हैं, कृपया विवरण के लिए मेरा नया उत्तर देखें

— डीवीबी

पासा गुणांक (भी पासा समानता सूचकांक के रूप में जाना जाता है) के रूप में ही है एफ 1 स्कोर , लेकिन यह सटीकता के रूप में ही नहीं है। मुख्य अंतर यह तथ्य हो सकता है कि सटीकता सही नकारात्मक को ध्यान में रखती है, जबकि पासा गुणांक और कई अन्य उपाय केवल निर्बाध चूक के रूप में वास्तविक नकारात्मक को संभालते हैं (देखें क्लासिफायरिफिकेशन इवैलुएशन, 1 भाग की मूल बातें )।

जहां तक मैं बता सकता हूं, पासा गुणांक की गणना पिछले उत्तर द्वारा वर्णित के रूप में नहीं की गई है , जिसमें वास्तव में जैकार्ड सूचकांक (कंप्यूटर दृष्टि में "चौराहा ओवर यूनियन" के रूप में भी जाना जाता है) का सूत्र है ।

\begin{aligned} डी मैं सी इ (ए, बी) & = \frac{2 | ए \cdot बी |}{| ए | + | बी |} \\ एफ 1 (ए, बी) & = \frac{2}{| ए | / | ए \cdot बी | + | बी | / | ए \cdot बी |} \\ जे ए सी सी ए आर घ (ए, बी) & = \frac{| ए \cdot बी |}{| म ए एक्स (ए, बी) |} = \frac{| ए \cdot बी |}{| ए | + | बी | - | ए \cdot बी |} \\ ए सी सी यू आर ए सी y (ए, बी) & = \frac{| ए \cdot बी | + | \bar{ए} \cdot \bar{बी} |}{| ए एल एल |} \end{aligned}

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

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

पासा गुणांक और जैकार्ड इंडेक्स नीरस रूप से संबंधित हैं, और टावर्सकी इंडेक्स उन दोनों को सामान्य करता है, इसके बारे में और अधिक पढ़ने के लिए एफ-स्कोर, डाइस और जैककार्ड सेट समानता देखें ।

पासा गुणांक भी संवेदनशीलता और परिशुद्धता का हार्मोनिक मतलब है, यह देखने के लिए कि यह समझ में क्यों आता है, पढ़ें एफ-उपाय एक हार्मोनिक मतलब क्यों है और प्रेसिजन और रिकॉल उपायों का एक अंकगणितीय मतलब नहीं है? ।

इस उत्तर और उनके संबंधों की कई शर्तों के बारे में अधिक पढ़ने के लिए, बाइनरी क्लासीफायर का मूल्यांकन देखें ।

— dvb
स्रोत