机器学习基础梳理—(accuracy,precision,recall浅谈)

一、TP TN FP FN

TP:标签为正例,预测为正例(P),即预测正确(T)

TN:标签为负例,预测为负例(N),即预测正确(T)

FP:标签为负例,预测为正例(P),即预测错误(F)

FN:标签为正例,预测为负例(N),即预测错误(F)

其中 T:True    F:False    P:Positive    N:Negative

由于缩写较为难记,我将其分别记为:真的正样本(TP),真的负样本(TN),假的正样本(FP),假的负样本(FN)

二、accuracy precision recall

准确率:accuracy = (TP + TN) / (TP + TN + FP + FN),即预测正确的样本占所有样本的比例

精度:precision = TP / (TP + FP),即真的正样本占所有被预测为正样本的比例

召回率:recall = TP / (TP + FN),即所有正样本中有多少被正确预测出来

上一篇:springmvc 学习(三) RestFul 风格


下一篇:Jenkins动态部署方案