分类模型评估指标

(True Positive , TP):被模型预测为正的正样本。

(False Positive , FP):被模型预测为正的负样本。

(False Negative , FN):被模型预测为负的正样本。

(True Negative , TN):被模型预测为负的负样本。

 

Recall召回率:真正预测为正样本的样本数占实际正样本的样本数的比率

Precision精确率:真正预测为正样本的样本数占所有预测为正样本的样本数的比例

Accuracy准确率:预测正确的样本占所有样本的比率

F1-core:精确率Precision和召回率Recall的加权调和平均值

Micro-F1:(多分类F1-core)计算总体类别的recall和precision,再算F1;

Macro-F1:(多分类F1-core)对所有类别的的F1-core求平均;

 

在二分类问题中,计算micro-F1=macro-F1=F1-score,micro-F1和macro-F1都是多分类F1-score的两种计算方式 

 

micro f1= 总体(precision)=总体(recall)

 

macro f1=(F1a+F1b+F1c)/3(即每一类的F1求平均)

 

分类模型评估指标

 

 

上一篇:超松弛迭代法求导体槽点位 C语言版


下一篇:“21天养成好习惯”第一期-15