分类精度评价

1、混淆矩阵(以二分类为例)

	标准集
验证集		真实的P样本（positive）	真实的N样本（Negtive）
	预测的P样本	TP(预测的P是真的)	FP(预测的P是假的)
	预测的N样本	FN(预测的N是假的)	TN（预测的N是真的）

现在开始解释各种真阳、假阴。

举例：由医学引入机器学习；

一个病人，长了个肿瘤，去医院检查，分别有以下情况：

1、真实情况：恶性，检查结果：恶性，这种情况就叫做：true positve，姑且称为真阳性吧。

2、真实情况：良性，检查结果：恶性，这种情况就叫做：false positve，假阳性。

3、真实情况：恶性，检查结果：良性，这种情况就叫做：false negative，假阴性。

4、真实情况：良性，检查结果：良性，这种情况就叫做：true negtive，真阴性。

好拗口，上表。（注意：阳性是有病，阴性是没病）

	金准集
某筛检方法		阳性（恶性）	阴性（良性）
	阳性（恶性）	TP(真阳性)	FP(假阳性)
	阴性（良性）	FN(假阴性)	TN（真阴性）

发现一切命名以预测的结果为主。

 

2、真阳率与假阳率

真阳率（True Positive Rate, TPR）就是： 

                                        TP/(TP+FN)
含义是检测出来的真阳性样本数除以所有真实阳性样本数。

 

假阳率（False Positive Rate, FPR）就是： 

                                          FP/(FP+TN)
含义是检测出来的假阳性样本数除以所有真实阴性样本数

 

3、各种率

误检率：FP/(FP+TN)

查准率（精确度，命中率，precion）：TP/(TP+FP)   反映了被分类器判定的正例中真正的正例样本的比重

查全率（召回率，覆盖率，sensitivity）：TP/(TP+FN)  反映了被正确判定的正例占总的真实为正例比例的比重

漏警率:  MA = FN/(TP+FN) ; 反映有多少个正例被漏判了。

虚警率： FA = FP/(TP+FP); 反映被判为正例样本中，有多少个负例。

 

4、Precsion 、Recall

查全率（召回率, 覆盖率）Recall：正样本有多少被找出来（召回了多少）

查准率（精确度，命中率）Precision: 你认为的正样本，有多少被猜对了（猜的准确性如何）