分类评价指标
预测
1 0
实际 1 TP FN
0 FP TN
真正类率(True Positive Rate , TPR)【灵敏度(sensitivity)】:正样本预测结果数/正样本实际数,TPR = TP /(TP + FN)
假负类率(False Negative Rate , FNR) :即被预测为负的正样本结果数/正样本实际数,FNR = FN /(TP + FN)
假正类率(False Positive Rate , FPR) :即被预测为正的负样本结果数/负样本实际数,FPR = FP /(FP + TN)
真负类率(True Negative Rate , TNR)【特指度(specificity)】:即负样本预测结果数/负样本实际数,TNR = TN /(TN + FP)
准确率(accuracy):预测对的占比,(TP+TN)/(P+N)
召回率(recall):实际1中占比,TP/(TP+FN)
精确率:预测1中占比,(precision)=TP/P【linkworld准确率】
F-Score:2*precision*recall/(precision+recall)
ROC曲线:横坐标(FPR),纵坐标(TPR)
点(0,1):FPR=0, TPR=1. -----> 完美分类器;
点(1,0):FPR=1, TPR=0. -----> 完全错误的分类器;
点(1,1):分类器预测所有的样本都是正例;
点(0,0):分类器预测所有的样本都是负例;
posted on 2018-10-29 17:27 happygril3 阅读(163) 评论(0) 编辑 收藏 举报