样本
假设样本实际标签分为相关
和不相关
对样本进行预测,预测为相关的样本召回
,其余的不召回
A: 相关,且召回(预测为1)后也认为相关
B: 不相关,但召回(预测为1)后认为相关
C: 相关,但召回(预测为1)后也认为相关
D: 不相关,且召回(预测为1)后也认为不相关
我们假设
Y
为预测值
,X
为真实值
精确率、召回率、准确率计算
召回率 Recall = P(Y=1 | X=1)= A / A+C
相关样本(也即正样本,实际为1的样本)中召回样本数(预测为1的样本)精确率 Precision = P(X=1 | Y=1)= A / A+B
召回样本(预测为1的样本)中相关样本数(实际为1的样本)准确率 Accuracy = A+D / A+B+C+D
全部样本中预测正确的样本数(TP:11,TN:00)
实际应用:
- 如果是做搜索,关注全,则优先召回率,提升准确率;
- 如果是做诊断,关注准确,则优先精确率,提升召回率
精准率和召回率的关系,F1 分数
精准率和召回率的分子是相同,但分母不同。
两者的关系可以用一个 P-R 图来展示:
灵敏度、特异度、真正率和假正率
灵敏度(Sensitivity) = P(Y=1 | X=1)= A/(A+C) = 召回率
特异度(Specificity) = P(Y=0 | X=0)= D/(B+D) = 真反率
真正率(TPR) = P(Y=1 | X=1)= A/(A+C) = 灵敏度 = 召回率
也就是假正率(FPR) = P(Y=1 | X=0)= 1- 特异度 = B/(B+D)
ROC曲线、AUC曲线
Receiver Characteristic Operator
ROC 曲线:
其中横坐标为假正率(FPR),纵坐标为真正率(TPR)。
TPR越高,同时FPR越低(即ROC曲线越陡
),那么模型的性能就越好
。
ROC曲线无视样本不平衡
。
Area Under the Curve
AUC 曲线:
等于ROC曲线下面积。
可看做某个随机正类别样本排列在某个随机负类别样本之上的概率
。
多分类问题
多分类问题可以将正样本为1,负样本为0。
如 类A、B、C 正样本为A,负样本为B、C,则
- 1 的数量为 num(A)
- 0 的数量为 num(B + C)
。。。。。。。。。待续
参考文章: