TP、FP、TN、FN
True Positives,TP:预测为正样本,实际也为正样本的特征数
False Positives,FP:预测为正样本,实际为负样本的特征数
True Negatives,TN:预测为负样本,实际也为负样本的特征数
False Negatives,FN:预测为负样本,实际为正样本的特征数
精确率、召回率与特异性
精确率(precision):P = TP / (TP+FP) 预测为正样本中实际也为正例的比率
召回率(recall):R = TP / (TP+FN)实际为正例中预测为正例的比率
特异性(specificity):S = TN / (FP+TN)实际为负样本中预测为负样本的比率
灵敏度(true positive rate):TPR = TP / (TP+FN)所有正例中正确识别正例的比率
特异度(false positive rate):FPR = FP / (FP+TN)实际负例中,错误识别为正例的比率
ROC曲线和PR曲线
以TPR为y轴,以FPR为x轴,我们就直接得到了RoC曲线。从FPR和TPR的定义可以理解,TPR越高,FPR越小,我们的模型和算法就越高效。也就是画出来的RoC曲线越靠近左上越好。如下图左图所示。从几何的角度讲,RoC曲线下方的面积越大越大,则模型越优。所以有时候我们用RoC曲线下的面积,即AUC(Area Under Curve)值来作为算法和模型好坏的标准。
以精确率为y轴,以召回率为x轴,我们就得到了PR曲线。仍然从精确率和召回率的定义可以理解,精确率越高,召回率越高,我们的模型和算法就越高效。也就是画出来的PR曲线越靠近右上越好。