机器学习 分类器的性能度量标准

实际的工作中，度量方式的选择不当可能会造成巨大的损失。如医疗领域、人机协作中的风险预测等。为了尽量减小决策风险，有必要选择正确的度量方式。

而一些我们中文意义上看着比较像的不易区别，这里记录一下。

• 明确几个表示

  $TP$ 真正例 , 识别为正，实际为正
  $FP$ 假正例 , 识别为正，实际为负
  $TN$ 真负例 , 识别为负，实际为负
  $FN$ 假负例 , 识别为负，实际为正

---

• 准确率
  $Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$

  正确的结果所占的比例

---

• 精确率 $Precision$

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

  识别为正的样本中，真正为正例的比例

---

• 召回率 $Recall$

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

  所有真正的正例样本中，被正确识别出来的比例

---

• $ROC$

  真正例率(同召回率)
  $TPR=\frac{TP}{TP+FN}$

  假正例率
  $FPR=\frac{FP}{FP+TN}$

  $ROC$曲线的横坐标是$TP$, 纵坐标是$FP$ 。

ROC 曲线用于绘制采用不同分类阈值时的 TPR 与 FPR。降低分类阈值会导致将更多样本归为正类别，从而增加假正例和真正例的个数。

这里关键的是要搞清楚分母。
总之，真正例率相对于实际的正例个数，假正例相对于实际的负例个数。

---

参考
google 机器学习文档

---

不小心发现了表情 😃 😦