Error Metrics
误差度量方法
Accuracy
准确率
Top-K Accuracy
Top-K 准确率
-
若预测结果中概率最大的前K个结果包含正确标签即分类正确
对于[0.1, 0.2, 0.3, 0.4],正确标签为1
-
Top-1:分类错误,最大概率值0.4不包括标签1
平时最常用的、默认的Accuracy就是Top-1 Accuracy
-
Top-2:分类错误,最大的两个概率值0.3、0.4不包括标签1
-
Top-3:分类正确,最大的三个概率值0.2、0.3、0.4包括标签1
-
Top-4:分类正确,最大的四个概率值0.1、0.2、0.3、0.4包括标签1
-
Precision
精确率
-
对于二分类:
- 简写为P,代表预测为正样本中实际正确的个数除以预测为正样本的个数 P = 预测为正样本中实际正确的个数( T P ) 预测为正样本的个数( T P + F P ) P = \frac{预测为正样本中实际正确的个数(TP)}{预测为正样本的个数(TP + FP)} P=预测为正样本的个数(TP+FP)预测为正样本中实际正确的个数(TP)
-
对于多分类:
-
Micro Average(微平均)
直接求总的TP、FP
-
Macro Average(宏平均)
先分别计算每个类别的Precision,然后求平均
-
Recall
召回率
-
对于二分类:
- 简写为R,代表预测为正样本中实际正确的个数除以实际正样本的个数 R = 预测为正样本中实际正确的个数( T P ) 实际正样本的个数( T P + F N ) R = \frac{预测为正样本中实际正确的个数(TP)}{实际正样本的个数(TP + FN)} R=实际正样本的个数(TP+FN)预测为正样本中实际正确的个数(TP)
-
对于多分类:
-
Micro Average(微平均)
直接求总的TP、FN
-
Macro Average(宏平均)
先分别计算每个类别的Recall,然后求平均
-
F1-Score
F1-Score
-
对于二分类:
- F1 Score: F 1 = 2 P R P + R F_1 = 2\frac{PR}{P+R} F1=2P+RPR
-
对于多分类:
-
Micro Average(微平均)
在Micro Average模式下求出P与R,直接按公式计算即可
-
Macro Average(宏平均)
在Macro Average模式下求出每个类别的P、R、F1,然后对F1求平均值即可
-
MAPE
Mean Absolute Percentage Error
-
公式为:
M A P E = 100 % n ∑ i = 1 n ∣ y ^ i − y i y i ∣ MAPE=\frac{100 \%}{n} \sum_{i=1}^{n}\left|\frac{\hat{y}_{i}-y_{i}}{y_{i}}\right| MAPE=n100%i=1∑n yiy^i−yi
-
当真实数据等于0时,存在分母除0的问题,往往只用于Metric Eval阶段,而不作为Loss Func
SMAPE
Symmetric Mean Absolute Percentage Error
-
公式为:
S M A P E = 100 % n ∑ i = 1 n ∣ y ^ i − y i ∣ ( ∣ y ^ i ∣ + ∣ y i ∣ ) / 2 SMAPE=\frac{100 \%}{n} \sum_{i=1}^{n} \frac{\left|\hat{y}_{i}-y_{i}\right|}{\left(\left|\hat{y}_{i}\right|+\left|y_{i}\right|\right) / 2} SMAPE=n100%i=1∑n(∣y^i∣+∣yi∣)/2∣y^i−yi∣
-
当真实数据等于0时,且预测值也为0时,存在分母除0的问题,往往只用于Metric Eval阶段,而不作为Loss Func
R2
Coefficient of Determination