相关概念
(1) TP:真正类,预测的正类为真,
(2) FP:假正类,预测的正类为假
(3) TN:真负类,预测的负类为正
(4) FN:假负类,预测的负类为假
(1) 预测的正类数TP+FP
(2) 预测的负类数TN+FN
(3) 实际的正类数TP+FN
(4) 实际的负类数FP+TN
精确率、召回率、F1
精确率 p r e c i s i o n = T P ( T P + F P ) precision= \frac{TP} {(TP + FP)} precision=(TP+FP)TP,表示预测正确的正样本占预测正样本的比例,反映预测正样本的精度;
召回率 r e c a l l = T P ( T P + F N ) recall= \frac{TP} {(TP + FN)} recall=(TP+FN)TP,表示预测正确的正样本占实际正样本的比例,反映预测正样本的覆盖程度。
有时候单独的看精确率和召回率并不能很好的表示一个分类器的好坏,这时候就需要F1了。
F 1 = 2 ∗ p r e c i s i o n ∗ r e c a l l ( p r e c i s i o n + r e c a l l ) F1 = \frac{2*precision*recall}{(precision+recall)} F1=(precision+recall)2∗precision∗recall
ROC、AUC
先介绍两个概念:
1) 真正类率( T P R TPR TPR), T P R = T P ( T P + F N ) TPR = \frac{TP} {(TP + FN)} TPR=(TP+FN)TP,意义是所有真实类别为1的样本中,预测类别为1的比例;(跟召回率一个公式)
2)假正类率( F P R FPR FPR), F P R = F P ( F P + T N ) FPR = \frac{FP}{(FP + TN)} FPR