机器学习性能评估指标

最近一直在改模型，关注的是 Accuracy、MSE；但是除此之外，还有不少评价指标。。。【笑哭】

• 分类
• 回归

分类

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).

精确率(precision):

$P=\frac{TP}{TP+FP}$

准确率(accuracy):

$ACC=\frac{TP+TN}{TP+TN+FP+FN}$

在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc 也有 99% 以上，没有意义。

召回率(recall,sensitivity,true positive rate) ：

$R=\frac{TP}{TP+FN}$

此外，还有 $**F_1 值**$，是精确率和召回率的调和均值，

$\frac{2}{F_1}=\frac{1}{P}+\frac{1}{R}$

$F_1=\frac{2TP}{2TP+FP+FN}$

精确率和准确率都高的情况下，F1 值也会高。

【待续。。。】

【转自】机器学习性能评估指标