本文介绍了机器学习中评估分类模型的指标，包括准确率、精确率和召回率。准确率可能在数据不平衡时无法全面反映模型性能。精确率衡量正样本被正确识别的比例，召回率则关注所有正样本中被识别为正的比例。两者往往存在权衡。ROC曲线展示了不同分类阈值下模型的表现，曲线下面积提供了综合衡量标准。
准确率
准确率是一个用于评估分类模型的指标。通俗来说，准确率是指我们的模型预测正确的结果所占的比例。正式点说，准确率的定义如下：
对于二元分类，也可以根据正类别和负类别按如下方式计算准确率：
其中，TP （True positive）= 真正例，TN（True negative） = 真负例，
FP（False positive） = 假正例，FN（False negative） = 假负例。
让我们来试着计算一下以下模型的准确率，该模型将 100 个肿瘤分为恶性（正类别）或良性（负类别）：
真正例 (TP)：
|
假正例 (FP)：
|
假负例 (FN)：
|
真负例 (TN)：
|
最低0.47元/天 解锁文章
1114
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
