“深入理解机器学习性能评估指标：TP、TN、FP、FN、精确率、召回率、准确率、F1-score和mAP”

目录

引言

分类标准

示例：癌症检测

1. 精确率（Precision）

2. 召回率（Recall）

3. 准确率（Accuracy）

4. F1-score

5. mAP（均值平均精度）

总结与通俗解释

---

引言

机器学习的核心目标之一是构建出具有良好性能的模型。为了评估模型的性能，我们依赖于一系列重要的指标。在本文中，我们将深入探讨这些指标，包括True Positive（TP）、True Negative（TN）、False Positive（FP）、False Negative（FN）、精确率、召回率、准确率、F1-score以及目标检测领域中常用的均值平均精度（mAP）。

分类标准

示例：癌症检测

假设我们正在开发一个癌症检测模型，我们有12个患者样本，其中4个是患有癌症的正例，8个是健康的负例。

# 模型预测结果
predicted = [0, 0, 1, 0, 1, 1, 0, 0, 1, 0, 0, 0]
# 实际标签
actual =    [0, 0, 1, 0, 1, 0, 0, 1, 1, 0, 0, 0]

	预测值=1	预测值=0
真实值=1	3（TP）	1（FP）
真实值=0	1（TN）	7（FN）

• TP = 3（实际患病并被正确预测出来的数量）
• FP = 1（实际健康但被错误预测为患病的数量）
• TN = 1（实际患病但被错误预测为健康的数量）
• FN = 7࿰