机器学习知识总结——模型评估标准之混淆矩阵
模型评估标准
混淆矩阵
预测值=1 | 预测值=0 | |
---|---|---|
真实值=1 | TP | FN |
真实值=0 | FP | TN |
TP=True Postive=真阳性;FP=False Positive=假阳性
TN = True Negative=假阴性;FN=False Negative=假阴性
什么是查准率/精确率
\[Precision=\frac{TP}{TP+FP}
\]
什么是查全率/召回率
\[Recall = \frac{TP}{TP+FN}
\]
什么是准确率
\[Accuracy = \frac{TP+TN}{TP+TN+FP+FN}
\]
什么是F1分数(F1-score)
F1分数可以理解为P和R的调和平均数
\[F1=2\frac{PR}{P+R}
\]
什么是P-R曲线
P-R曲线就是准确率precision和召回率recall的曲线,以recall作为横坐标,precision作为纵坐标。
什么是ROC曲线和AUC值
ROC曲线是以假阳性率FPR为横坐标,真阳性率TPR为纵坐标
\[TPR=\frac{TP}{TP+FN}\\
FPR=\frac{FP}{FP+TN}
\]
AUC表示ROC曲线下的面积,主要用于衡量模型的泛化能力,即分类效果的好坏。
如有错误,欢迎指正。谢谢