召回率与准确率详解

召回率与准确率详解

一、概述

数据挖掘、机器学习和推荐系统中的评测指标，通常有以下三种：

(一)     准确率(Precision)

(二)     召回率(Recall)

(三)     F值(F-Measure)

在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。

二、详解

混淆矩阵：

True Positive(真正，TP)：将正类预测为正类数

True Negative(真负，TN)：将负类预测为负类数

False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)

False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)

	预  测  类  别
实 际 类 别		YES	NO	SUM
	YES	TP	FN	P(实际为YES)
	NO	FP	TN	N(实际为NO)
	SUM	P’ (被分为YES)	N’ (被分为NO)	P+N

(一)  准确率（Accuracy）

计算公式：

　　

 

(二)  错误率（Error Rate）

计算公式：

       

其中，Error Rate = 1 - ACC

(三)   灵敏度（Sensitive）

计算公式：

　　

表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力。

(四)   特效度（specificity）

计算公式：

       

表示的是所有负例中被分对的比例，衡量了分类器对负例的识别能力。

(五)   精确率、精度（precision）

计算公式：

     

表示被分为正例的示例中实际为正例的比例。

(六)   召回率（recall）

计算公式：

      

召回率与灵敏度是一样的。

(七)  综合评价指标（F-Measure）

计算公式：

      

当参数a为1时最为常见

即:

      

可知F1综合了P和R的结果，当F1较高时则能说明试验方法比较有效。

(八)          

1、ROC曲线：

ROC（Receiver Operating Characteristic）曲线是以假正率（FP_rate）和假负率（TP_rate）为轴的曲线，ROC曲线下面的面积我们叫做AUC，如图1-1所示：

 

图1-1  ROC曲线

 

 

转载于:https://www.cnblogs.com/Sunrises/p/10277606.html