常用深度学习评价指标

常用指标：

ACC  precison recall f1_score PR  AP MAP简介

正确率

• Accuracy

定义：(TP+TN)/(TP+FN+FP+TN)
即所有分类正确的样本占全部样本的比例

精度

• Precision、查准率

定义：(TP)/(TP+FP)
即预测是正例的结果中，确实是正例的比例

召回率

• Recall、查全率

定义：(TP)/(TP+FN)
即所有正例的样本中，被找出的比例

P-R曲线

• PRC

定义：根据预测结果将预测样本排序，最有可能为正样本的在前，最不可能的在后，依次将样本预测为正样本，分别计算当前的精确率和召回率，绘制P-R曲线。

在众多学习器对数据进行学习后，如果其中一个学习器的PR曲线A完全包住另一个学习器B的PR曲线，则可断言A的性能优于B。但是A和B发生交叉，那性能该如何判断呢？我们可以根据曲线下方的面积大小来进行比较，但更常用的是平衡点F1。平衡点（BEP）是P=R时的取值（斜率为1），F1值越大，我们可以认为该学习器的性能较好。F1的计算如下所示：
F1 = 2 * P * R ／( P + R )
 

 

PR曲线应该是考虑 了多种数据划分比例下的PR 得分的连线

实际PR曲线不如直接参考F1得分

F1 值

定义：(2 * P * R)/(P + R)

RECALL和PRECISON的调和平均

ROC曲线

AP、MAP

查准率 = 查对的/查的总共数量

差错率= 差错的/查的总共数量

参考链接： https://www.jianshu.com/p/b425f5d9fae0