文章目录
前言
我们知道机器学习分为回归问题和分类问题；同时，评价指标在模型训练和评价中占据着举足轻重的地位；本文主要介绍分类问题常见的四个评价指标，accuracy，precision， recall 和f1-score。在明确以上四个评价指标的定义和用途之前，我们需要知道四个概念；在二分类问题中，TP 是测试集上的样本为positive（正），我们的模型代入该测试集样本预测仍为正；TN 是测试集上的样本为negative（负），我们的模型代入该测试集样本预测仍为负；FP 是测试集上的样本为negative（负），我们的模型代入该测试集样本预测为正；FN 是测试集上的样本为positive（正），我们的模型代入该测试集样本仍为negative（负）；我们接下来用这四个指标来引入accuracy，precision，recall和f1-score的定义和用途。
一、accuracy
含义：在测试集上，预测对的样本占总样本的比例
公式：accuracy = (TP + TN)/(TP + TN + FP + FN)
二、precision
含义：在测试集上，预测对的正样本占总的预测为正样本的比例
公式：precision = TP/(TP + FP)
应用：只关注模型对负样本的预测能力；分值越高，对负样本辨别能力越强。
三、recall
含义：在测试集上，预测对的正样本占总的本身标签为正样本的比例
公式：recall = TP/(TP + FN)
应用：只关注模型对正样本的预测能力；分值越高，对正样本辨别能力越强。
四、f1-score
含义：在测试集上，模型对正负样本的综合预测能力
公式：f1-score = 2precisionrecall/(precision + recall)
应用：关注模型的综合预测能力；分值越高，模型越稳健。
总结
以上就是对分类问题四个指标的总结，如果你对回归问题的评价指标感兴趣，请看博文机器学习回归问题评价指标