一文读懂混淆矩阵，准确率，精准率，召回率，漏检率，P-R曲线 ROC，AUC 的区别和联系

 

 

经常对这些概念比较混淆，下面对这些概念进行深入和系统的理解。

 

其中

P（Positive）：代表实际正确

N（Negative）：代表实际错误

T（True）：代表预测正确

F（False）：代表预测错误

 

准确率和错误率。

        我们可以很自然的想到准确率，准确率的定义是预测正确的结果占总样本的百分比，其公式如下：

准确率=(TP+TN)/(TP+TN+FP+FN)，错误率则是，1-准确率

 

虽然准确率可以判断总的正确率，但是在样本不平衡的情况下，并不能作为很好的指标来衡量结果。举个简单的例子，比如在一个总样本中，正样本占90%，负样本占10%，样本是严重不平衡的。对于这种情况，我们只需要将全部样本预测为正样本即可得到90%的高准确率，但实际上我们并没有很用心的分类，只是随便无脑一分而已。这就说明了：由于样本不平衡的问题，导致了得到的高准确率结果含有很大的水分。即如果样本不平衡，准确率就会失效。

 

正因为如此，也就衍生出了其它两种指标：精准率和召回率。

 

精准率:

精准率（Precision）又叫查准率，它是针对预测结果而言的，它的含义是在所有被预测为正的样本中实际为正的样本的概率，意思就是在预测为正样本的结果中，我们有多少把握可以预测正确，其公式如下：

 

精准率=TP/(TP+FP)