混淆矩阵
True Positive （真正, TP）被模型预测为正的正样本；
True Negative（真负 , TN）被模型预测为负的负样本 ；
False Positive （假正, FP）被模型预测为正的负样本；
False Negative（假负 , FN）被模型预测为负的正样本；
准确率
准确率（Accuracy）。顾名思义，就是所有的预测正确（正类负类）的占总的比重
a c c u r a c y = T P + T N T P + F N + F P + T N \rm accuracy = \frac{TP + TN}{TP + FN + FP + TN} accuracy=TP+FN+FP+TNTP+TN
真正率
True Positive Rate（真正率 , TPR）或灵敏度（sensitivity），也叫召回率
T P R = T P T P + F N \rm TPR = \frac{TP}{TP + FN} TPR=TP+FNTP
正样本预测结果数 / 正样本实际数
假正率
False Positive Rate （假正率, FPR）
F P R = F P F P + T N \rm FPR = \frac{FP}{FP + TN} FPR=FP+TNFP
被预测为正的负样本结果数 /负样本实际数
精确率
精确率（Precision），查准率。即正确预测为正的占全部预测为正的比例。个人理解：真正正确的占所有预测为正的比例。
p r e c i s i o n = T P T P + F P \rm precision = \frac{TP}{TP + FP} precision=TP+FPTP
召回率
召回率（Recall），查全率，也叫真正率TPR。即正确预测为正的占全部实际为正的比例。个人理解：真正正确的占所有实际为正的比例。
r e c a l l = T P T P + F N \rm recall = \frac{TP}{TP + FN} recall=TP+FNTP
F-measure（F1）值
精确率越高越好，召回率越高越好。F1分数同时考虑精确率和召回率，让两者同时达到最高，取得平衡，F1越大越好！
F 1 = 2 × p r e c i s i o n × r e c a l l p r e c i s i o n + r e c a l l \rm F1 = \frac{2 \times precision \times recall }{precision + recall} F1=precision+recall2×precision×recall（标准公式）------（2）
F 1 = 2 1 p r e c i s i o n + 1 r e c a l l \rm F1 = \frac{2}{\frac{1}{precision} + \frac{1}{recall}} F1=precision1+recall12（方便理解）------（1）
从(1)看出，Recall不变时，Precision越大，1/Precision越小，从而F1越大。
同理： Precision不变时，Recall越大，1/Recall越小，从而F1越大。
上面式子（2）可以由式子（1）推导出来。
代码点亮人生，思维改变世界~
4343
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
