在有真实标签 (Ground Truth) 的情况下，常用的指标有哪些？聚类指标有哪些？

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