当我们训练好一个模型,如何衡量它的好坏呢?这个时候我们需要一系列的数量化的指标,通过这些指标的高低,对模型的优劣进行判断。
一、准确率和召回率
准确率和召回率是每个模型都会去看的指标。
- 准确率 = 选出的正确信息条数 / 选出的信息总条数
- 召回率= 选出正确信息条数 / 样本中的信息条数
举个栗子,我们有100个苹果有90个是好的,10个是坏的。
我们弄了一个算法来找出坏的苹果。我们判断85个是好的,15个是坏的。其中85个好的里面,有2个是坏的;15个坏的里面有7个是好的。
那么准确率是多少呢? 准确率= 8/15 = 53.33%
召回率是多少呢? 召回率= 8/10 = 80%
二、F值(F-Score)
我们希望准确率越高越好,同时召回率也越高越好,但事实上这两者在某些情况下有矛盾的。比如极端情况下,我们只选出一个结果,且是准确的,那么准确率就是100%,但是召回率就很低;而如果我们把所有样本都选上,那么召回率是100%,但是准确率就会很低。
如果有一个指标,能综合准确率和召回率就好了,于是就有了F值。
- F 值= 准确率召