将 GMM-UBM 分数转换为等效的准确度百分比
Convert GMM-UBM scores to equicalent accuracy percent
我构建了一个用于说话人识别的 GMM-UBM 模型。模型的输出适用于每个说话人，一些分数由对数似然比计算得出。现在我想将这些可能性分数转换为 0 到 100 之间的等效数字。有人可以指导我吗？
没有直接的公式。你可以做一些简单的事情，比如
prob = exp(logratio_score)
但这些可能无法反映您数据的真实分布。计算出的样本概率百分比不会均匀分布。
理想情况下，您需要获取一个大型数据集并收集有关 acceptance/rejection 得分的统计数据。然后，一旦您构建了直方图，您就可以通过该频谱图对分数差异进行归一化，以确保如果您看到特定的分数差异，则 30% 的受试者被接受。该规范化将允许您创建均匀分布的概率百分比。例如参见 [=11=]
这个问题在说话人识别系统中很少得到解决，因为置信区间并不是你真正想要显示的。您需要一个简单的 accept/reject 决策，为此您需要知道错误拒绝的数量和接受率。所以只找到一个阈值就足够了，而不是构建整个分布。
我构建了一个用于说话人识别的 GMM-UBM 模型。模型的输出适用于每个说话人，一些分数由对数似然比计算得出。现在我想将这些可能性分数转换为 0 到 100 之间的等效数字。有人可以指导我吗？
没有直接的公式。你可以做一些简单的事情，比如
prob = exp(logratio_score)
但这些可能无法反映您数据的真实分布。计算出的样本概率百分比不会均匀分布。
理想情况下，您需要获取一个大型数据集并收集有关 acceptance/rejection 得分的统计数据。然后，一旦您构建了直方图，您就可以通过该频谱图对分数差异进行归一化，以确保如果您看到特定的分数差异，则 30% 的受试者被接受。该规范化将允许您创建均匀分布的概率百分比。例如参见 [=11=]
这个问题在说话人识别系统中很少得到解决，因为置信区间并不是你真正想要显示的。您需要一个简单的 accept/reject 决策，为此您需要知道错误拒绝的数量和接受率。所以只找到一个阈值就足够了，而不是构建整个分布。