人工智能常用评估指标

模型评估

• 准确率（Accuracy)

所有被预测正确的样本（包括正、负）占所有样本的比例

• 精确率（Precision)

又叫查准率，正确预测为正的占所有预测为正的比例

• 召回率（recall）

又叫查全率，正确预测正样本占标注为正的比例

• 真正类率(True Postive Rate)

代表分类器预测的正类中实际正实例占所有正实例的比例。TPR=Recall。

• 负正类率(False Postive Rate)

代表分类器预测的正类中实际负实例占所有负实例的比例。

直接上图，Accuracy，Precision，recall，TPR，FPR计算方式如下

• 显著性检测评价F1指标,Fβ

它同时兼顾了分类模型的精确率和召回率。F1分数可以看作是模型精确率和召回率的一种加权平均，它的最大值是1，最小值是0。

• 显著性检测评价PR曲线

PR曲线就是Precision-recall曲线，PR曲线越往右上角靠拢说明模型越好，也就是PR曲线积分的面积越大模型越好。

• AP值

就是PR曲线下的面积，值越大越好

• ROC曲线

就是TRP和FPR曲线，ROC曲线越接近左上角（与PR曲线相反，可谓是好基友），该分类器的性能越好。如下图

• AUC

就是ROC下面的矩形面积，介于0.1和1之间，值越大越好。