精确率,召回率,准确率,真假正类率

1,所有的预测包含:

实际为真---------真正例(TP),假负例(FN)
实际为假---------假正例(FP),真负例(TN)

2,准确率,accuracy

正确的预测,占所有预测的比例 \(\frac{TP+TN}{TP+TN+FP+FN}\)

3,精确率,precision

被识别为正确的例子中,确实为正确的比例 \(\frac{TP}{TP+FP}\)

4,召回率,recall

在实际的所有正确例子中,被识别为正确的比例 \(\frac{TP}{TP+FN}\)
PR曲线是以recall为横轴,precision为纵轴,调整阈值画的

5,补充

FPR(假正类率),TPR(真正类率)
TPR(True Positive Rate)= \(\frac{TP}{TP+FN}\),即正类数据被分为正类的比例,也就是上面正例的召回率
FPR(False Positive Rate)= \(\frac{FP}{FP+TN}\),即负类数据被分为正类的比例
ROC曲线就是以TPR为纵轴,FPR为横轴,调整阈值画的
AUC定义为ROC曲线下的面积

6,举例子

0 negative 负 = TN+FP
1 positive 正 = TP+FN
数据集中包含两个部分,一部分0,一部分1,都是真实标签值
用模型进行预测的话
0这部分数据:
如果模型预测为0,则是True Negative 真负例 TN
预测为1,则是False Positive 假正例 FP
0=TN+FP 所有真实值为0的数据

1这部分数据:
如果模型预测为1,则是True Positive 真正例 TP
预测为0,则是False Negative 假负例 FN
1=TP+FN 所有真实值为1的数据

TP+FP=模型预测的所有为1的值
TN+FN=模型预测的所有为0的值

精确率就是,针对模型预测结果的评价,对正例来说TP+FP就是模型预测的所有为1的,Precision = TP/(TP+FP),即模型预测的所有为1的数据,正确的有多少
召回率就是,针对真实标签的评价,对正例来说TP+FN就是真实值为1的所有数据,Recall = TP/(TP+FN),即所有真实为1的数据,模型识别出来多少

posted @ 2020-07-17 22:53  ecnu_lxz  阅读(216)  评论(0编辑  收藏  举报