深度学习性能指标是用于评价深度学习模型性能的依据,是设计模型的重要依据。
对于模型而言仅统计预测正确或错误的个数其意义有限,标准化的衡量具有更准确的参考价值。
准确率(Accuracy, ACC):判断正确的结果与所有观测样本之比, A C C = T P + T N T P + F P + F N + T N ACC= \frac{TP+TN}{TP+FP+FN+TN} ACC=TP+FP+FN+TNTP+TN
精确率(precision)或阳性预测值(Positive Predictive Value, PPV):判断正确的结果占预测为positive的比例, P r e c i s i o n = T P T P + F P Precision= \frac{TP}{TP+FP} Precision=TP+FPTP
灵敏度(Sensitivity)或称召回率(Recall)或真阳率(True Positive Rate, TPR):模型预测正确的个数占真实值为positive的比例, S e n s i t i v i t y = T P T P + F N Sensitivity= \frac{TP}{TP+FN} Sensitivity=TP+FNTP
特异度(Specificity)或选择率(Selectivity)或真阴率(True Negative Rate, TNR):判断正确的个数占真实值为Negative的比例, S p e c i f i c i t y = T N T N + F P Specificity= \frac{TN}{TN+FP} Specificity=TN+FPTN
阴性预测值(Negative Predictive Value, NPV):判断正确的结果占预测为negative的比例, N P V = T N T N + F N NPV=