目录
1、基本符号表示
TP (true positive):预测结果正确,将本类事物预测为本类标签;
FP(false positive):预测错误,比如,将非本类事物预测为本类标签。
FN(false negative):预测错误,比如,将本类事物预测为其他类标签。
TN(true negative):预测正确,将非本类事物预测为对应的类标签(不是本类的标签)。
2、类别下的精准度计算(precision)
指被分类器(classifier)划分为正样例(本类标签)中的正样本的比重值。
3、类别下的召回率计算(recall)
指的是被预测为正样例(本类标签)占总的标签(本类标签+其他类标签)的比重值。
4、准确率的计算(accuracy)
5、F1 Score
F1分数,也是分类的一个指标。表示精准度和召回率的调和平均值,其取值范围为:
0<= F1 <= 1
F1 的计算方法如下(表示一个类别的F1 Score的计算):
F1在Python的sklearn包中有直接函数可以被调用,原函数sklearn.metrics.f1_score(参数)
通常情况下,利用各个类别下的F1 Score的均值作为评价结果,计算方法:
F1 表示精准率和召回率同等重要。
F2 表示召回率的重要程度是精准率的2倍。
F0.5 表示召回率的重要程度是精准率的0.5倍。
如下通用公式:
6、G分数
G分数也是评估精准率和召回率关系的一个指标,被定义为召回率和精准率的几何平均数。
计算公式为: