机器学习知识总结——模型评估标准之混淆矩阵

模型评估标准

混淆矩阵

预测值=1 预测值=0
真实值=1 TP FN
真实值=0 FP TN

TP=True Postive=真阳性;FP=False Positive=假阳性

TN = True Negative=假阴性;FN=False Negative=假阴性

什么是查准率/精确率

\[Precision=\frac{TP}{TP+FP} \]

什么是查全率/召回率

\[Recall = \frac{TP}{TP+FN} \]

什么是准确率

\[Accuracy = \frac{TP+TN}{TP+TN+FP+FN} \]

什么是F1分数(F1-score)

F1分数可以理解为P和R的调和平均数

\[F1=2\frac{PR}{P+R} \]

什么是P-R曲线

P-R曲线就是准确率precision和召回率recall的曲线,以recall作为横坐标,precision作为纵坐标。

什么是ROC曲线和AUC值

ROC曲线是以假阳性率FPR为横坐标,真阳性率TPR为纵坐标

\[TPR=\frac{TP}{TP+FN}\\ FPR=\frac{FP}{FP+TN} \]

AUC表示ROC曲线下的面积,主要用于衡量模型的泛化能力,即分类效果的好坏。

如有错误,欢迎指正。谢谢

本人博客 https://xiaoxiablogs.top

上一篇:TN TP FN FP 含义


下一篇:计算二分类的特异性和灵敏度