探索汽车EPB仿真模型：Carsim与Simulink联合仿真之旅
2025/12/25 18:15:43
一、有监督情况下，常用的指标有哪些？
在有真实标签 (Ground Truth)的情况下，常用的指标如下
以下是你可以计算的指标，按从基础到进阶的顺序排列：
1. 基础分类指标 (Basic Classification Metrics)
这是最常用的一组指标，用于衡量分选结果的“准”与“全”。
准确率 (Accuracy)
定义：分选正确的脉冲数占总脉冲数的比例。
公式：$ \frac{TP + TN}{Total} $
意义：全局指标，但在样本不均衡（比如某个雷达发了1万个脉冲，另一个只发了100个）时会失真。
精确率 (Precision / 查准率)
定义：预测为雷达A的脉冲中，真正属于雷达A的比例。
公式：$ P = \frac{TP}{TP + FP} $
雷达含义：“虚警率”的反面。精确率低意味着把很多别的信号（噪声或其他雷达）错分给了这个雷达。
召回率 (Recall / 查全率 / PD)
定义：本来属于雷达A的脉冲中，被成功找出来的比例。在雷达领域常称为发现概率 (Probability of Detection, PD)。
公式：$ R = \frac{TP}{TP + FN} $
雷达含义：“漏警率”的反面。召回率低意味着丢了很多该雷达的脉冲。
F1-Score
定义：精确率和召回率的调和平均数。
公式：$ 2 \times \frac{P \times R}{P + R} $
意义：综合考量虚警和漏警，是一个比较公正的单值指标。
2. 雷达专用指标 (Radar Specific Metrics)
针对信号分选任务特有的业务指标。
漏警率 (Miss Rate)
公式：$ 1 - Recall $
意义：有多少个脉冲没被分选出来（或者被丢弃到“未知/噪声”类里了）。
错分率 (Error Sorting Rate)
定义：本来是雷达A的脉冲，被错误地分给了雷达B的比例。
意义：衡量算法处理“参数重叠”或“多义性”的能力。
虚假辐射源产生率 (Ghost Emitter Rate)
定义：算法报告发现了“雷达X”，但实际上环境中根本没有雷达X。
场景：常见于聚类算法（如SDIF, CDIF）将多部雷达的谐波或交错脉冲误判为一部新雷达。
4. 混淆矩阵 (Confusion Matrix)
这不是一个单一的数字，而是一个表格，是分析错误的神器。
行：真实标签 (Radar 1, Radar 2, ...)
列：预测结果 (Radar 1, Radar 2, ..., Unknown)
用途：一眼看出Radar 1经常被错分成Radar 5（说明这两部雷达参数太像了，或者算法在那个参数区间有缺陷）。
二、聚类指标有哪些？
在聚类任务中，常见的评价指标有：纯度（Purity）、兰德系数（Rand Index, RI）、F值（F-score）和调整兰德系数（Adjusted Rand Index,ARI）。同时，这四种评价指标也是聚类相关论文中出现得最多的评价方法。
如果你使用的是无监督学习（如K-Means, DBSCAN）进行分选，然后用标签来验证，这些指标很有用：
调整兰德指数 (Adjusted Rand Index, ARI)
范围：[-1, 1]，越接近1越好。
意义：衡量你的分选结果（聚类簇）和真实标签的吻合程度，且消除了随机运气的影响。
互信息 (Mutual Information, MI / NMI)
意义：衡量预测结果包含了多少关于真实标签的信息量。
其他的无监督指标详情参考链接：https://zhuanlan.zhihu.com/p/343667804