- True Negative(真正):将正类预测为正类数.
- False Positive(假正, FP):将负类预测为正类数 →→ 误报 (TypeI error).
- Ture Negative(真负 , TN):将负类预测为负类数.
- False Negative(假负 , FN):将正类预测为负类数 →→ 漏报 (Type II error)
Precision:TP/(TP+FP) 预测为正类中,预测为正确的概率
Recall: TP/(TP+FN) 实际为正类中,预测为正类的概率
Accuracy:(TP+TN)/(TP+FP+TN+FN) 预测类别正确的概率
ROC曲线
TPrate = TP/(TP+FN)
FPrate = FP/(FP+TN)
ROC曲线,以FPrate为横坐标,TPrate为纵坐标,画出的曲线图。
AUC即ROC曲线之下的面积。等于0.5表示等于随机预测的结果。
AUC的意义是衡量 分类器 将正样本预测为正的 概率 大于 将负样本预测为正的概率 的可能性。
另一个概率学的意义是:随机选取一个正例和一个负例,分类器给正例的打分大于分类器给负例的打分的概率。