机器学习——不平衡分类指标

             

 

 准确率(acc),代表分对的样本占所有样本的比例,在不平衡分类中不可信,比如当样本比例为99:1的时候,只需要让多数类都分对,准确率就可以达到99%,但实际上少数类却被全部分错了。

查准率,又叫精确率,用查准率比较好理解,字面理解就是查的准不准,就是希望我判断为真的样本,有哪些是确实的是正的样本

召回率(Recall, TNR, sensitivity),就是实际为正的样本中有多少被正确识别为真了。

F1 是对查准率和召回率的权衡,可以用于不平衡分类评价指标

G-Mean,几何平均

GMean = \sqrt{TNR*TPR}  TNR也叫特异度(speciality)TNR = TN/(TN+FP) TPR = TP/(TP + FN)

(a)(c)为ROC,(b)(d)为PR,(a)(b)样本比例1:1,(c)(d)为1:10

ROC曲线随着不平衡度的变化而变化较小,而PR曲线随着不平衡度的变化而变化明显,因此PR曲线更适合用于不平衡指标

AUC则是曲线下面的面积,一般是面积越大说明分类器效果越好

总的来说,常用的不平衡分类指标为PR曲线,GMean,F1

在多分类中

micro和macro的区别

micro是对整体的,比如求准确率,则求出所有类别的TP,FP,然后求microP

macro是最每个类别分别求准确率,然后求均值

以上图片均来自https://www.jianshu.com/p/b84e0b33b7a6

有问题可以给我留言哦

   最近开通了一个公众号,里面会分享一些机器学习,深度学习,推荐系统的学习笔记和相关知识,同时也会分享一些面经,感兴趣的小伙伴可以关注一下,十分感谢,比心

 

  • 2
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值