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
\[TPR=\frac{TP}{TP+FN}\\
FPR=\frac{FP}{FP+TN}
\]
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
版权声明：本文为xiaoxia722原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。