数据挖掘 -- 分类的模型评估度量

数据挖掘 – 分类的模型评估度量

---

混淆矩阵 CM（Confusion Matrix）

actual/precide	Yes	No	合计
Yes	TP	FN	P
No	FP	TN	N
合计	P^	N^	P+N 或者 P^ + N^

术语	含义	例子
TP（True Postive） :	正确 分类的 正元组	buy_computer = yes 的元组，被分类器预测为 buy_computer = yes
TN（True Negative） :	正确 分类的 负元组	buy_computer = no 的元组，被分类器预测为 buy_computer = no
FP（False Postive） :	错误 标记为 正元组 的负元组	buy_computer = no 的元组，被分类器预测为 buy_computer = yes
FN（False Negative） :	错误 标记为 负元组 的正元组	buy_computer = yes 的元组，被分类器预测为 buy_computer = no

---

度量

度量	公式	含义
准确率、识别率（accuracy）	$$\frac{TP+TN}{P+N}$$	正确分类元组 的占比
错误率、误分类率 （error rate / 1-accuracy）	$$\frac{FP+FN}{P+N}$$	错误分类元组 的占比
敏感度、真正例率、召回率（ recall / sensitivity）	$$\frac{TP}{P}$$	正确识别的正元组 的占比
特效性、真负例率（ specificity）	$$\frac{TN}{N}$$	正确识别的负元组 的占比
精度 （precision）	$$\frac{TP}{TP+FP}$$	标记为正类的元组实际为正类所占 的百分比
F、F1、F分数	$$\frac{2\ast precision\ast recall}{precision+recall}$$	精度和召回率的调和均值（另一种使用precision和recall的方法）
$F_{\beta }$ : β是非负实数	$$\frac{(1+{\beta }^2)\ast precision+recall}{{\beta }^2\ast precision+recall}$$	也是 另一种使用precision和recall的方法

---

ROC

轴	含义	公式
Y轴（TPR）	sensitivity / recall	$$\frac{TP}{P}$$
X轴（FPR）	1-specificity	$$\frac{FP}{N}$$

相关文章：
https://jingyan.baidu.com/article/63acb44acf685161fcc17ec9.html
https://www.plob.org/article/12476.html

相关图像