Matlab 在WANG数据库上计算精度和召回率

我在MATLAB中制作了一个CBIR系统，并使用相似性度量作为欧氏距离。 对每个查询图像使用此选项，我将检索前20个图像

我已经使用了用于测试我的系统。
它包含10个类（如非洲人、公共汽车、玫瑰等），每个类包含100张图片（总共1000张图片）

我的方法：
1.我使用相关图、共现矩阵（CCM）和像素扫描模式之间的差异（DBPSP）来构造向量（分别为64+196+28=288维）

每一个1000分贝的图像我有它的向量事先构造

现在出现了一个查询图像，我也构造了它的向量（又是228维）

我使用欧几里得距离来表示相似性，并按照欧几里得距离的降序对db图像向量进行排序

显示了前20个结果

在这20种情况下，我可以选择TP或FP

对于单个查询图像，我可以很容易地计算精度和召回率，并使用此方法绘制PR曲线

我怎么能对全班做同样的事情呢

我的方法是：对于每一张属于A类的图片，找出前20张图片，分别是TP（真阳性）和FP（假阳性）

A类精度=1500/（2000）=.75（正确吗？？）
A类召回--->卡滞？？？

---

PR曲线-->卡滞？？有些链接说我需要一个分类器，有些则不是。。。我真的很困惑。

正如您所说，您可以按如下方式计算精度

P = TP ./ ( TP + FP );

但是，您需要有FN或总错误数来计算召回率。因此，您需要找到一种方法来确定FN和FP数据。然后，您可以使用以下公式计算召回率

R = TP ./ ( TP + FN )

如果您有混淆矩阵或数据，可以使用我的自定义混淆Mat2F1.m计算精度、召回率和f1分数。这假设混淆矩阵的格式为how。每行的解释都是内联的。请让我知道，如果你想要更多的澄清

function [F,P,R] = confusionmat2f1( C )
    %% confusionmat2f1( C )
    %
    % Inputs
    % C - Confusion Matrix
    %
    % Outputs
    % F - F1 score column vector
    % P - Precision column vector
    % R - Recall column vector
    
    %% 
    
    % Confusion Matrix to Probability
    M = sum( C, 3 );
    
    % Calculate Precision
    P = diag(M) ./ sum(M,1)';
    
    % Calculate Recall
    R = diag(M) ./ sum(M,2);

    % Calculate F1 Score
    F = f1( P, R );

---

你有混淆矩阵还是只有TP/FP？只有TP和FP。在20张图像中，如果图像属于正确的类别，我会将TP增加1，如果不是，我会将FP增加1。如何检查图像的类别是否正确简单，如a类图像从0-99，B类图像从100-199，依此类推。一个简单的if-else循环给了我答案。好吧，我的解决方案不起作用了：（让我发布一个新的，关于FN或false的数量如何？你需要重新计算我如何计算FN和TN？我能做的唯一操作是拍摄一张图像并找到前20张图像，然后在20张图像中，如果图像属于正确的类别，我将TP增加1，如果不是，我将FP增加1。没有我们，我不能这样做吗ing分类器？如果否，您能建议在MATLAB中内置一些吗？对于FN，这些是分类为否的，但实际上是肯定的。对于TN，这些是分类为否的，实际上是否的。您需要6个变量中的4个（TN、FN、TP、FP、total true、total false）计算精度和召回率。您需要重写代码来解释其中一个变量，但我建议您创建一个混淆矩阵。这使分析更容易：）两者都不难。只要您知道类的分类以及基本事实（它应该是什么）是的，您可以将其输入到

confusionmat

函数中。同时，拥有类预测和类预期向量将使调试更加容易：我没有使用任何分类。我只是在查找queryImageVector和所有dbImageVector之间的欧几里德距离。至少我按降序对它们进行排序并检索前20名。是吗那我算不上回忆了？

function [F,P,R] = confusionmat2f1( C )
    %% confusionmat2f1( C )
    %
    % Inputs
    % C - Confusion Matrix
    %
    % Outputs
    % F - F1 score column vector
    % P - Precision column vector
    % R - Recall column vector
    
    %% 
    
    % Confusion Matrix to Probability
    M = sum( C, 3 );
    
    % Calculate Precision
    P = diag(M) ./ sum(M,1)';
    
    % Calculate Recall
    R = diag(M) ./ sum(M,2);

    % Calculate F1 Score
    F = f1( P, R );