机器学习——评价指标（ACC、SN、SP、MCC、F1-score）

m0_45917886

已于 2023-04-10 10:53:19 修改

阅读量2.5k

点赞数 2

分类专栏： # 机器学习文章标签：机器学习

于 2023-03-28 13:13:01 首次发布

本文链接：https://blog.csdn.net/m0_45917886/article/details/129813952

版权

机器学习专栏收录该内容

7 篇文章

订阅专栏

这篇文章介绍了在二分类问题中常用的评估指标，如真正例(TP)、假正例(FP)、真负例(TN)、假负例(FN)，以及它们用于计算准确率(ACC)、召回率(SN)、特异度(SP)、精确率(Precision)、马修斯相关系数(MCC)和F1分数(F1-score)的公式。代码示例展示了如何用C++实现这些计算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

TP、FP、FN、TN

在这里插入图片描述

ACC、SP、SN、Precision、MCC、F1-score

在这里插入图片描述

代码实现

#include <math.h>
double TP = 0, TN = 0, FP = 0, FN = 0;
double SN = 0, SP = 0, MCC = 0, ACC = 0, Precision = 0;
//...
SN = TP / (TP + FN);
SP = TN / (TN + FP);
Precision = TP / (TP + FP);
ACC = (TP + TN) / (TP + TN + FN + FP);
MCC = (TP * TN - FP * FN) / sqrt((TP + FN) * (TP + FP) * (TN + FP) * (TN + FN));
F1 = (2*SN*Precision)/(SN + Precision);