深度学习分类时常用到以下指标,这里做一个总结:
首先介绍一些指标的定义:
(1)若一个实例是正类,但是被预测成为正类,即为真正类(True Postive TP)
(2)若一个实例是负类,但是被预测成为负类,即为真负类(True Negative TN)
(3)若一个实例是负类,但是被预测成为正类,即为假正类(False Postive FP)
(4)若一个实例是正类,但是被预测成为负类,即为假负类(False Negative FN)
这四个部分可以构成一个混淆矩阵:
而accuracy recall precision F1-score分别表示:
1.accuracy指的是正确预测的样本数占总预测样本数的比值,它不考虑预测的样本是正例还是负例:
2.recall指的是正确预测的正样本数占真实正样本总数的比值: