在介绍这些概念之前,先来看一下混淆矩阵:
TP: True Positive,将正类预测类正类的样本数量(预测正确)
FN: False Negtive,将正类预测为负类的样本数量(type II error, 漏报)
FP: False Positive,将负类预测为正类的样本数量(type I error)
TN: True Negtive,将负类预测为负类的样本数量(预测正确)
- 准确度:准确度表示分类正确的样本数所占比例
A C C = T P + T N T P + T N + F P + F N ACC = \frac {TP+TN}{TP+TN+FP+FN} ACC=TP+TN+FP+FNTP+TN
- 精确度、精度:该概念是针对“预测结果”而言的。表示预测为正类的样本中有多少是真的正样本
P = T P T P + F P P = \frac {TP}{TP+FP} P=TP+FPTP
- 召回率:该概念是针对“原始样本”而言的。表示样本中的正例有多少被分类正确了