•  

 

dice 指标的原名是  Sørensen–Dice coefficient

 

下面是一段关于它的介绍

 

dice 指标也用在机器学习当中，他的表达方式如下：

 

有的朋友可能会发现， 这与机器学习中的评价指标 F1 是相同的， 没错， 

F1 指标就是 Sørensen–Dice coefficient 的一种别名。

 

 

•  

我们从机器学习的角度来探索一下这个指标的表达式。

label  \  predicted	True	False
True	TP	FN
False	FP	TN

我们以 TP 为例来讲一下上面的表格， 

个人意见，

TP（True Positive真正例） FN（False Negative假反例）  FP（False Positive 假正例） TN （True Negative真反例）

这四个指标全部是针对于预测结果的 。

具体的意思就是：

所谓真正例 TP， 是指你预测的结果为正例  ，并且预测对了（真）。其实我觉得如果叫 ‘ 正例真 ‘ 可能更容易理解一些。 

以此类推， FN 译为 假反例 ，或者叫 反例假 ； 就是你的预测结果为反例，但却是个错误的结果 （假）。

 

 

然后 在机器学习的分类问题当中， 我们定义了如下的两个计算指标 

（1） 查准率 precison

 从上面的公式我们可以看出， 查准率所表达的是 预测对的正例 占 预测出的所有正例样本（预测对+ 预测错）  的百分比

（2） 查全率  recall 

查全率表达的则是 预测对的正例 占 预测对的所有样本（包含正确预测正例 和 正确预测反例）  的百分比

 

F1 则是基于 查准率 与 查全率 的调和平均值 （所谓的调和平均值也称倒数平均值）。

即

 

将 P 与 R 的表达式是带入上式， 我们就可以得到 F1 基于 上面表格的表达式

 

 

 

OK 现在让我们将上面的两部分 合二为一  ， 

给出一种 Sørensen–Dice coefficient的常见表现方式   ：

 

QS是Quotient of Similarity(相似商)，就是coefficient的值，只会介于0～1。Image segmentation中，模型分割出的mask就是影像的挑选总数，专家标记的mask就是正确总数。对应到公式便可知挑选总数(TP+FP)和正确总数(TP+FN)分別就是X和Y，交集便是TP，可見Dice coefficient等同F1 score，直观上是计算X与Y的相似性，本质上则同时隐含Precision和Recall两个指标。

（参考自  ： https://www.jianshu.com/p/0998e6560288）

 

 

•  

dice 指标也是医学图像中的常见指标， 常用于评价图像分割算法的好坏。

从公式上来做直观的理解，如下图，其代表的是两个体相交的面积占总面积的比值，完美分割该值为1.。