神经网络性能评价指标
对于一个好不容易训练出来的模型,我们需要用数学工具直观的了解它的性能好坏。
先来了解混淆矩阵
一.混淆矩阵
首先,所有的样本(数据)中,可以被分为正样本和负样本。
其次,我们在对样本进行分类的时候也会分出正样本和负样本,但我们的判断是有错误的,故存在以下情况:
True Positive(真正,TP):将正样本预测为正样本
True Negative(真负,TN):将负样本预测为负样本
False Positive(假正,FP):将负样本预测为正样本
False Negative(假负,FN):将正样本预测为负样本
所以,P为正样本,N为负样本,就有以下关系:
T P + F N = P F P + T N = N TP + FN = P \\ FP + TN = N TP+FN=PFP+TN=N
根据混淆矩阵提供的概念,我们可以延伸出准确率(Accuracy), 错误率(Error rate), 灵敏度(sensitive) ,特效度(sensitive) , 精确率、精度(Precision), 召回率(recall) ,综合评价指标(F-Measure) 。这些指标是评价网络的基础要素。
1、准确率(Accuracy)
首先,它的计算公式:
A C C = T P + T N P + N ACC = \frac{TP+TN}{P+N} ACC=P+NTP+TN