吴恩达机器学习（九）Precision、Recall、F-score、TPR、FPR、TNR、FNR、AUC、Accuracy

最新推荐文章于 2023-04-12 09:56:22 发布

一片橡树叶子的故事

最新推荐文章于 2023-04-12 09:56:22 发布

阅读量1.1k

点赞数 1

分类专栏： KWS

原文链接：https://blog.csdn.net/zhq9695/article/details/82909967

版权

4 篇文章 0 订阅

订阅专栏

针对二分类的结果，对模型进行评估，通常有以下几种方法：

初始作如下定义：

1. Precision、Recall、F-score（F-measure）

Precision（准确率）可以理解为预测结果为正类中有多少是正类，给出定义如下：

$\large Precision=\frac{TP}{TP+FP}$

Recall（召回率）可以理解为真实结果为正类中有多少被预测成正类，给出定义如下：

$\large Recall=\frac{TP}{TP+FN}$

F-score（F值）又称作F1-measure，是综合考虑Precision和Recall的指标，给出定义如下：

$\large F-score=2*\frac{Precision*Recall}{Precision+Recall}$

TPR（True Positive Rate）可以理解为所有正类中，有多少被预测成正类（正类预测正确），即召回率，给出定义如下：

$\large TPR=\frac{TP}{TP+FN}$

FPR（False Positive Rate）可以理解为所有反类中，有多少被预测成正类（正类预测错误），给出定义如下：

$\large FPR=\frac{FP}{FP+TN}$

TNR（True Negative Rate）可以理解为所有反类中，有多少被预测成反类（反类预测正确），给出定义如下：

$\large TNR=\frac{TN}{FP+TN}$

FNR（False Negative Rate）可以理解为所有正类中，有多少被预测成反类（反类预测错误），给出定义如下：

$\large FNR=\frac{FN}{TP+FN}$

以FPR（False Positive Rate）为横坐标，TPR（True Positive Rate）为纵坐标，可以做如下图（图源：百度百科），称作ROC曲线：

ROC曲线又称作“受试者工作特性曲线”，很明显，越靠近左上角的点，效果越好。

AUC（Area Under Curve）定义为ROC曲线下的面积，很明显，这个值越大越好。

Accuracy（精确率）可以理解为所有实验中，分类正确的个数，给出定义如下：

$\large Accuracy=\frac{TP+TN}{TP+FP+FN+TN}$

关注

专栏目录