写论文过程记录-评价指标-混淆矩阵-FAR-FRR-EER-ROC曲线-AUC值-Recall-Precision-PR曲线

最新推荐文章于 2024-11-07 15:07:24 发布

qq_36710839

最新推荐文章于 2024-11-07 15:07:24 发布

阅读量1.1k

点赞数

分类专栏：深度学习文章标签：机器学习人工智能深度学习

本文链接：https://blog.csdn.net/qq_36710839/article/details/113512255

版权

这篇博客详细介绍了机器学习中常用的评价指标，包括混淆矩阵、误识率FAR、误拒率FRR、等错误率EER、ROC曲线、AUC值以及PR曲线。通过实例和公式解析，帮助读者理解这些指标的含义和关系，特别是指出在某些领域如人脸识别中，TPR（召回率）和Recall是相同的。建议遇到困惑时，基于混淆矩阵的基础定义进行公式推导，以便清晰理解各种指标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

如果你在认识这些指标的过程中，被各种说法折腾的毫无头绪，一团乱麻，请看下面的详细解释，纯手工整理，非复制粘贴。

混淆矩阵

经典的混淆矩阵，各项含义如下：

FN：False Negative,被判定为负样本，但事实上是正样本。
FP：False Positive,被判定为正样本，但事实上是负样本。
TN：True Negative,被判定为负样本，事实上也是负样本。
TP：True Positive,被判定为正样本，事实上也是正样本。

在人脸鉴别，签字鉴别等需要鉴定身份的领域࿰