本文介绍了机器学习中用于评估模型性能的常见指标，包括混淆矩阵、精度、错误率、查准率和查全率，并提供了相应的计算公式。精度是正确预测样本的比例，错误率是分错样本的比例，查准率关注预测为正例的样本中实际为正例的比例，查全率衡量正例被正确分类的比例。在精度和查全率冲突时，F-measure（F1分数）提供了综合考量的方法。
机器学习中常用的性能度量（评价指标）
混淆矩阵
在了解这几个常用指标之前，首先我们先了解一下混淆矩阵。
混淆矩阵是监督学习中的一种可视化工具，主要用于比较分类结果和实例的真实信息。矩阵中的每一行代表实例的预测类别，每一列代表实例的真实类别。
如图所示，混淆矩阵中包含以下四种数据：真正(True Positive , TP)： 被模型预测为正的正样本；假正(False Positive , FP)：被模型预测为正的负样本；假负(False Negative , FN)：被模型预测为负的正样本；真负(True Negative , TN)：被模型预测为负的负样本。
假设给定的样本集为D={(x1，y1 )，(x2，y2 )，…,(xm，ym )}，共计m 个样本，使用机器学习算法预测的结果为f（x），那么对于评价其预测性能f就是将预测结果f（x）与真实的标记ground truth做比较。
精度
所谓精度（accuracy），顾名思义就是指在机器学习的算法预测之后，预测正确了的样本占总样本的比例，计算公式如下：
最低0.47元/天 解锁文章
1635
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
