1 TP、TN、FP、FN
TP、TN、FP、FN中第一个字母表示分类器识别结果是否正确，正确用True的首字母T表示，错误用False的首字母F表示。第二个字母表示分类器的判定结果，P表示分类器判定为正样本，N表示分类器判定为负样本。所以：
TP：分类器识别正确，分类器认为该样本为正样本；
TN：分类器识别正确，分类器认为该样本为负样本；
FP：分类器识别结果错误，分类器认为该样本是正样本；所以实际上该样本是负样本；
FN：分类器识别结果错误，分类器认为该样本是负样本；所以实际上该样本是正样本；
项目真实_1真实_0预测_1TPFP预测_0FN TN
2 APCER/BPCER/ACER/FRR/FAR/HTER
- Attack Presentation Classification Error Rate[APCER] : FP / (TN + FP)
- Bona Fide Presentation Classification Error Rate[BPCER] : FN / (TP + FN )
- Average Classification Error Rate[ACER] : (APCER + BPCER) / 2.0
- False Rejection Rate[FRR] : FN / (TN + FN )
- False Acceptance Rate[FAR] : FP / (TP + FP)
- Half Total Error Rate [HTER] : (FAR + FNR) / 2.0
3 roc_curve-副本，别看
fpr, tpr, threshold = roc_curve(test_labels, test_scores, pos_label=1)
test_labels = [[1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0…] （list:595）
test_labels为真实的样本标签
test_scores = [0.863, 0.999, 0.999, 0.979, 0.998, 0.720, 0.996, 0.968, 0.952, 0.980, 0.812, 0.933, 0.895, 0.924, 0.982…] （list:595）
test_scores 对每个样本的预测分数
pos_label = 1
pos_label正样本的标签。 说明test_label = 1是真实人脸。
roc_curve() 函数有3个返回值：
fpr：False positive rate。
tpr：True positive rate。
thresholds
在本例子中，
fpr = [0. 0.002 0.145 0.149 0.170 0.174, 0.231 0.235 0.250 0.254 0.265 0.269, 0.28 0.284 0.517 0.517 0.555…] （ndarray(80,)）
tpr = [0. 0. 0. 0. 0. 0., 0. 0. 0. 0. 0. 0., 0. 0. 0. 0.00833 0.0083 0.0166, 0.0166 0.025 0.025 0.033 0.033 0.0416, …]（ndarray(80,)）
thresholds = [2. 1. 0.999 0.999 0.998 0.998, 0.998 0.998 0.997 0.997 0.997 0.9972, 0.9969 0.9969 0.9828 0.9827 0.9781 0.9781, 0.9780 …]（ndarray(80,)）
其中，thresholds就是原来的test_scores从高到低排序。每个阈值对应一个 fpr 和 tpr。
例如，当thresholds = 2时
test_scores预测（2为阈值）真实（看相应的test_labels）0.863
Original: https://blog.csdn.net/m0_45682738/article/details/123474839
Author: 菜菜子-
Title: 【人脸活体检测】参数介绍
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/663774/
转载文章受原作者版权保护。转载请注明原作者出处！