基于高级POD方法的分类器在人类驾驶员车道变换预测中的性能评估

机器学习（ML）分类器作为实现各类领域分类和预测的重要工具，其性能必须被了解以确保可靠应用。在某些领域，接收者运行特征曲线和精确-召回曲线常用于评估机器学习算法，但未考虑工艺参数的影响。然而，必须考虑这些参数来评估这些算法的性能。本文采用修改后的检测概率（POD）方法作为能够考虑工艺参数影响的性能评估指标，用于评估基于ML的算法可靠性。以POD方法用于评估预测车辆驾驶员车道变换行为的ML模型为例。将预测（且尚未知晓）的车道变换事件发生的时间剩余视为工艺参数。本文采用基于命中/未命中方法的POD，并考虑每个时间步骤中从ML算法推导出的车道变换概率，从而获得最终分析结果。这一方法在考虑分类器输出为0或1的标准命中/未命中方法的基础上提高了结果可靠性，同时也简化了评估流程。本文的性能评估结果与采用标准命中/未命中方法和预先开发的^a相对于a方法所获得的结果进行比较，以验证所提出方法的有效性。比较结果表明，该方法提供了平均保守行为，同时在保持简单性的前提下增强了命中/未命中POD方法的可靠性。