(一)混淆矩阵
混淆矩阵是除了ROC曲线和AUC之外的另一个判断分类好坏程度的方法。下面给出二分类的混淆矩阵
Predicted as Positive | Predicted as Negative | |
Labeled as Positive | True Positive(TP) | False Negative(FN) |
Labeled as Negative | False Positive(FP) | True Negative(TN) |
* 真正(True Positive, TP):被模型分类正确的正样本;
* 假负(False Negative, FN):被模型分类错误的正样本;
* 假正(False Positive, FP):被模型分类错误的负样本;
* 真负(True Negative, TN):被模型分类正确的负样本;
进一步可以推出这些指标:
* 真正率(True Positive Rate, TPR),又名灵敏度(Sensitivity):分类正确的正样本个数占整个正样本个数的比例,即:
* 假负率(False Negative Rate, FNR):分类错误的正样本的个数占正样本的个数的比例,即:
* 假正率(False Positive Rate, FPR):分类错误的负样本个数占整个负样本个数的比例,即:
* 真负率(True Negative Rate, TNR):分类正确的负样本的个数占负样本的个数的比例,即:
进一步,由混淆矩阵可以计算以下评价指标:
* 准确率(Accuracy):分类正确的样本个数占所有样本个数的比例,即:![](https://i-blog.csdnimg.cn/blog_migrate/ad37c8e7e5ea53ee296ab26b4a7189a9.png)
![](https://i-blog.csdnimg.cn/blog_migrate/42132dadbd11b1f2cbc3700c83faf132.png)
![](https://i-blog.csdnimg.cn/blog_migrate/4b7ec24a95c50b7307100aa3e1e5544e.png)
* 召回率(Recall):分类正确的正样本个数占正样本个数的比例,即:
(二) F1-Score
在介绍F1-Score之前,首先介绍调和平均值,调和平均值为:总体各统计量的倒数的算术平均数的倒数;
F1值为精确率和召回率的调和均值。
例如:某工厂购进材料三批,每批价格及采购金额资料如下表:
那么调和平均值为:。
转自: https://blog.csdn.net/fisherming/article/details/79356949