(精确度,召回率,真阳性,假阳性)ACC、敏感性、特异性等 ROC指标_真阳性率_三世的博客-CSDN博客
准确率(Accuracy):Acc = ( TP + TN ) / ( P +N )
精确率( precision )/(查准率):TP / ( TP+FP ) = TP / P
敏感性(Sensitivity)/召回率(recall)/(查全率):TP / (TP + FN ) = TP / T
真阳性率(True positive rate):TPR = TP / ( TP+FN ) = TP / T (敏感性 sensitivity)
真阴性率(TNR:true negative rate):TNR= TN / (TN+FP) = TN/F(特异性:specificity),描述识别出的负例占所有负例的比例
假阳性率(False positive rate):FPR = FP / ( FP + TN ) = FP / F
假阴性率 (False Negative Rate):FNR = FN /(TP + FN)= FN / T
F-measure:2*recall*precision / ( recall + precision )
ROC曲线:FPR为横坐标,TPR为纵坐标
PR曲线:recall为横坐标,precision 为纵坐标
=====概念解释=============
敏感性 Sensitivity
敏感性又称真阳性率,就是发病之后,你的诊断方法对疾病的敏感程度(识别能力)。
敏感性越高,漏诊概率越低。
特异性 Specificity
特异性又称真阴性率,不发病(我们这里称之为健康)的特征是有别于发病的特征的,我们利用这些差异避免误诊,那么诊断标准对于这些差异利用的如何就用特异性来表示。
特异性越高,确诊概率越高。
========================
从这个表格中可以引出一些其它的评价指标:
- ACC:classification accuracy,描述分类器的分类准确率
计算公式为:ACC=(TP+TN)/(TP+FP+FN+TN)
- BER:balanced error rate
计算公式为:BER=1/2*(FPR+FN/(FN+TP))
- TPR:true positive rate,描述识别出的所有正例占所有正例的比例
计算公式为:TPR=TP/ (TP+ FN)
- FPR:false positive rate,描述将负例识别为正例的情况占所有负例的比例
计算公式为:FPR= FP / (FP + TN)
- TNR:true negative rate,描述识别出的负例占所有负例的比例
计算公式为:TNR= TN / (FP + TN)
- PPV:Positive predictive value
计算公式为:PPV=TP / (TP + FP)
- NPV:Negative predictive value
计算公式:NPV=TN / (FN + TN)
其中TPR即为敏感度(sensitivity),TNR即为特异度(specificity)。