模型推理准确率检验

在机器学习和深度学习中，“通过建立数学模型验证模型推理结果的准确率”主要指的是用数学方法（统计指标）来衡量模型的推理性能。
这实际上就是模型评估，常见的做法包括计算准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1-score）、混淆矩阵等。

下面我详细讲解，并结合你的实际代码流程，给出“数学模型”与“代码实现”的双重解读。

1. 数学模型：准确率的定义

对于分类问题，最常用的指标是准确率（Accuracy）：

$$ \text{Accuracy} = \frac{\text{Number of Correct Predictions}}{\text{Total Number of Predictions}} $$

即：

• 正确预测的图片数量 ÷ 总推理图片数量

2. 验证方法流程

（1）准备“有真实标签”的验证集

• 假设你有一份验证集
  val_labels.csv
  ，里面每张图片都有人工标注的真实类别（ground truth）。
• 用你的模型对这些图片批量推理，得到“模型预测类别”。

（2）比对真实标签和预测标签

• 对每张图片，比较“模型预测类别”与“真实类别”是否一致。
• 统计所有图片中，预测正确的数量。

（3）计算准确率

• 用上面的公式计算即可。

3. 代码实现（严格兼容你的风格）

假设你已经有验证集csv（格式同selector导出的csv，有filename和label两列），推理后生成了预测csv（filename和pred_label两列）。

合并比对并计算准确率：

import pandas as pd



# 1. 读取真实标签和模型预测

val_df = pd.read_csv('D:/ToGer/research/MedievalArchitecture/dataset/categories/val_labels.csv')

pred_df = pd.read_csv('batch_predict_result.csv')



# 2. 按图片路径合并，确保一一对应

df = pd.merge(val_df, pred_df, left_on='filename', right_on='filename')



# 3. 判断预测是否正确

df['correct'] = df['label'] == df['pred_label']



# 4. 计算准确率

accuracy = df['correct'].mean()

print(f'模型在验证集上的准确率为：{accuracy:.4f}')



# （可选）保存详细比对结果

df.to_csv('val_compare_result.csv', index=False, encoding='utf-8-sig')

4. 其他常见指标（数学表达式）

• 精确率（Precision）
  $$ \text{Precision} = \frac{TP}{TP + FP}$$
• 召回率（Recall）
  $$ \text{Recall} = \frac{TP}{TP + FN}$$
• F1分数
  $$ F1 = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}$$
• 混淆矩阵
  用于多分类场景，统计每个类别被预测成各类别的次数。

5. 总结

• “通过数学模型验证推理准确率”本质上就是用统计指标（如准确率）来量化模型推理结果与真实标签的一致性。
• 流程是：有真实标签的验证集 → 模型推理 → 比对 → 计算准确率等指标。
• 代码实现非常简单，pandas即可搞定。

如需精确率/召回率/F1/混淆矩阵的详细代码，或有其它相关问题，欢迎随时问我！