在地震勘探研究领域，地震断层识别可以有效分析地下地质结构，为油气藏形成和运移提供解释参考。断层识别方法比较多，包括传统断层识别方法、现代的机器学习、深度学习识别等数十种方法。怎样体现识别的准确性成为了断层识别的一个关键问题，其中量化指标成为了一种解决方案。
01 定量指标算法原理介绍对于机器学习在分类任务中的应用，最常见的评估指标包括了以下几类：错误率，准确率（accuracy），查准率（precision），查全率（recall）与 F1，我们选择最常用的四种给大家进行介绍：
对于二分类问题，可以按照样本的真实类别与模型预测的类别的组合，将样例划分成真正例（True Positive， TP）、假正例（False Positive， FP）、真反例（True Negative， TN）、假反例（False Negative， FN）四种，这四种组合组成的矩阵成为混淆矩阵（Confusion matrix），本次的断层预测混淆矩阵如图所示。
其中 TP FN FP TN 等于训练样本的总数。
查准率 P（precision）
定义是真正例除以真正例与假正例之和，查准率是针对我们预测结果而言的，它表示的是预测为正的样例中有多少是真正的正样例。
查全率 R（recall）
又称为召回率，定义是真正例除以真正例与假反例之和，它表示的是样本中的正例有多少被预测正确。
查准率与查全率是一对矛盾的度量。一般来说，查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。
为什么会有这样的情况呢？
我们可以这样理解，在一个分类器中，你想要更高的查准率，那么你的阈值要设置的更高，只有这样才能有较高的把握确定我们预测是正例是真正例。一旦我们把阈值设置高了，那我们预测出正例的样本数就少了，那真正例数就更少了，查不全所有的正样例。
P-R曲线
将样本按照预测为正例的概率值从大到小进行排序，从第一个开始，逐个将当前样本点的预测值设置为阈值，有了阈值之后，即可得出混淆矩阵各项的数值，然后计算出P和R，以R为横坐标，P为纵坐标，绘制于图中，即可得出P-R曲线，示意图如下。
当一个模型A的P-R曲线完全包住另一个模型B的P-R曲线时，即可认为A优于B。其它情况下，可以使用平衡点，也即F1值，或者曲线下的面积来评估模型的好坏。
ROC（Receiver Operating Characteristic）曲线
类似的，将样本排好序后，从第一个开始，逐渐的将其和其之前的点预测为正例，其他的预测为反例，这样就能计算出TPR和FPR，以FPR为横坐标，TPR为纵坐标，即可绘制出ROC曲线，示意图如下。
ROC曲线下面覆盖的面积称为AUC（Area Under ROC Curve）。用于评估模型的好坏，面积的计算可以通过梯形去插值计算，公式如下：
一般情况下，模型评估选择P-R或者ROC没啥区别，都是看面积越大的算法性能越好。但是当正样本的个数严重少于负样本个数时，P-R曲线相比较于ROC曲线能够更加直观的表现模型之间的差异。
F1
定义是基于查准率与查全率的调和平均。调和平均更重视较小值。在一些应用中，对查准率和查全率的重视程度有所不同。例如在商品推荐系统中，为了尽可能少打扰用户，更希望推荐内容确实是用户感兴趣的，此时查准率更重要；而在逃犯信息检索系统中，更希望尽可能少漏掉逃犯，此时查全率更重要。F1能让我们表达出对查准率/查全率的不同偏好。
准确率 A （accuracy）
也称为精度，是预测正确的样本数与样本总数的比值，反应了分类器对整个样本的判定能力。这是最常用的指标。
02 断层识别定量分析实战讲解
为了介绍量化指标的使用方法，我们结合前面的地震断层实验案例来讲解。
1.仿真训练集数据介绍
我们使用机器自动生成的三维数据集，包括200对地震剖面样本数据和对应断层标签，形成了训练集。还有20对地震剖面数据和断层标签的样本验证集。每个样本的尺寸是128*128*128。如图所示：
我们使用Unet神经网络模型进行断层识别训练后，对验证集数据进行断层预测，并通过定量指标分析预测的精度。
2.量化评价程序介绍
我们使用sklearn自带的函数来进行量化指标计算。
因为我们的预测结果是一个概率值，所以首先需要将概率结果进行四舍五入计算。
接下来我们就可以轻松计算准确率（accuracy），查准率（precision），查全率（recall）与 F1四个参数的结果。
也可以画出P-R曲线和ROC曲线
我们可以选择对所有验证集数据进行断层预测后，计算整体的效果：
从计算结果来看，准确率较高说明模型对整个样本的判定能力较好。查全率较高说明对正确的断层预测较准确。P-R曲线面积较小，说明查准率与查全率的平衡性不够。ROC曲线面积较大，说明模型整体性能不错。
以上就是今天的课程，重点讲解了4大定量评估指标和2个定量评估曲线，如果对程序感兴趣欢迎联系我交流。再见。
,
