本文介绍了机器学习中用于评估模型性能的精确率和召回率，详细阐述了二元分类器的混淆矩阵概念，包括真正例(TP)、真负例(TN)、假正例(FP)和假负例(FN)。同时讨论了准确率(Accuracy)、错误率(Error rate)、灵敏度(Sensitive)和特效度(Specificity)。对于多元分类器，文章指出将每个类别视为正例与其他类别作为负例的情况。
机器学习-精确率与召回率
数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)等。
二元分类器：
混淆矩阵
- True Positive(真正，TP)：将正类预测为正类数
- True Negative(真负，TN)：将负类预测为负类数
- False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)
- False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)
1、准确率（Accuracy）
准确率(accuracy)计算公式为：
2、错误率（Error rate）
错误率则与准确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(TP+TN+FP+FN)
最低0.47元/天 解锁文章
669
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
