看懂论文的机器学习基本知识（三）--假正例、假负例、ROC曲线

最新推荐文章于 2024-04-30 23:48:31 发布
最新推荐文章于 2024-04-30 23:48:31 发布
阅读量1.8w 收藏 32
点赞数 3
分类专栏： 机器学习 文章标签： 机器学习 样本
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/tkingreturn/article/details/17640599
版权

 一、假正例和假负例

假正例（False Positive）：预测为1，实际为0的样本

假负例（False Negative）:预测为0，实际为1的样本

实际预测中，那些真正例（True Positive）和真负例（True Negative）都不会造成损失（cost）。

那么，我们假设一个假正例的损失是LFP，一个假负例的损失是LFN。

我们可以得到一个损失矩阵：


 y^=1 y^=0
y=1 0 LFN
y=0 LFP 0

其中，y是真实值，y^是预测值。

那么，我们可以得到一个样本的后验期望损失：

最低0.47元/天 解锁文章
TRTK
关注
  • 3
    点赞
  • 踩
  • 32
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
使用机器学习和 ROC 曲线进行决策-研究论文
06-09
接收器操作特征 (ROC) 曲线表示在二元分类问题中发现的统计信息，是机器学习和数据科学中的一个关键概念。 本文研究了 ROC 曲线的统计特性及其对模型选择的影响。 我们分析了不同激励异质性和信息不对称模型对人类...
机器学习-EE660-H2-W5-F22
06-25
在“机器学习-EE660-H2-W5-F22...总的来说，“机器学习-EE660-H2-W5-F22”涵盖了从基本概念到高级应用的广泛内容，学生需要掌握各种机器学习算法的理论知识和实践经验，以便在未来的职业生涯中应对复杂的机器学习问题。
真正/假正/假负/真负的吧啦吧啦……（各种介绍中的准确率、精确率、召回率、敏感性、特异性……
aqin1012的博客
02-08 963
最近总是碰到各种各样的比值、、总结一下自己的理解吧，欢迎大家批评指正~~~ 前提（列个表先。。。） 这张表能解决掉大部分问题（机智如我……^ ^） 还是再啰嗦介绍下—— 准确率（Accurancy） 预测对的样本占样本总数的比例 准确率 = 预测情况与真实情况一致的样本个数 / 样本总数 Accurancy=(TP+TN)/(TP+TN+FP+FN)Accurancy = ( TP + TN ) ...
【转】基本概念：过拟合、修剪、假正、假负
weixin_30872671的博客
10-06 81
通常会把整个训练集分成两个部分：拿数据的约60-80%放入我们的训练集，用来生成模型；然后拿剩下的数据放入一个测试集，在模型生成后，立即用其来测试我们模型的准确性。 那么这个额外的步骤为什么在此模型中如此重要呢？这个问题就是所谓的过拟合：如果我们提供过多数据用于模型创建，我们的模型虽然会被完美创建，但只针对的是该数据。请记住：我们想使用此模型来预测未来的未知数；我们不是...
【Python】深入了解混淆矩阵：真正例、假正例、真负例、假负例及其性能指标
最新发布
2333333
04-30 898
真正例 (TP)：模型正确预测为正类的实际正类样本数量。假正例 (FP)：模型错误预测为正类的实际负类样本数量。真负例 (TN)：模型正确预测为负类的实际负类样本数量。假负例 (FN)：模型错误预测为负类的实际正类样本数量。
True(False) Positives (Negatives) 的含义
suifenghahahaha的博客
01-24 1202
出处：http://www.cnblogs.com/gnuhpc/ True Positive （真正, TP）被模型预测为正的正样本；可以称作判断为真的正确率 True Negative（真负 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率 False Positive （假正, FP）被模型预测为正的负样本；可以称作误报率 False Negati
真正/假正/假负/真负的吧啦吧啦……（各种介绍中的准确率、精确率、召回率、敏感性、特异性……...
diwumi2889的博客
08-27 589
最近总是碰到各种各样的比值、、总结一下自己的理解吧 前提（列个表先。。。） 这张表能解决掉下面出现大部分名词（机智如我……） 啰嗦介绍下—— →准确率（Accurancy） 预测对的样本占样本总数的比例 准确率 = 预测情况与真实情况一致的样本个数 / 样本总数 Accurancy = ( TP + TN ) / ( TP + TN + FP +FN ) ...
真假正负例、混淆矩阵、ROC曲线、召回率、准确率、F值、AP
William Zhao's notes
12-20 1万+
一、假正例和假负例 假正例（False Positive）：预测为1，实际为0的样本 假负例（False Negative）:预测为0，实际为1的样本 实际预测中，那些真正例（True Positive）和真负例（True Negative）都不会造成损失（cost）。 那么，我们假设一个假正例的损失是LFP，一个假负例的损失是LFN。 我们可以得
数据分析核心知识点-机器学习
03-08
2. 混淆矩阵：显示模型分类结果，帮助理解模型的真正例、假正例、真负例和假负例。 3. 统计检验：如t检验、卡方检验等，用于比较不同模型的显著性差异。 机器学习是一个庞大且不断发展的领域，涵盖各种算法和理论，...
人工智能-机器学习-稀疏优化在机器学习中的若干应用.pdf
07-01
在论文“人工智能-机器学习-稀疏优化在机器学习中的若干应用”中，作者探讨了如何利用稀疏性来构建针对不同实际问题的机器学习模型，并对相应的经典算法进行了改进。以下是论文的主要内容概述： 1. 在第二章，作者...
Python-master_机器学习；AndrewNg_Python-master_
09-30
3. 模型选择与评估：学习如何选择合适的模型，使用交叉验证进行调参，以及评估模型性能的指标，如准确率、召回率、F1分数、ROC曲线等。 4. 模型训练与优化：了解梯度下降、随机梯度下降等优化算法，以及正则化防止过...
SPSS中ROC曲线过原点的问题
zqckzqck的专栏
01-19 7065
在使用SPSS进行医学统计学分析时，ROC曲线经常用到。但是有时却会碰到下面的ROC曲线情况。如图1所示，纵横坐标不在原点。 图1                                    图2 按照网上的说法，进行边距调整，如图2所示，但还是不经过原点。   我的做法很简单。 （1）在生成的ROC曲线上单击，进行选中操作，如图3所示。
真正例、假正例、真负例、假负例、精确度、召回率快速理解
qq_35218635的博客
11-23 1万+
真：true 属于被分析的对象类别下面的样本就是真 假：false 不属于这个类别的样本 正：positive 被正确的分类了 假：negative 被错误的分类了
机器学习中 True Positives（真正例TP）、False Positives（假正例FP）、True Negatives（真负例TN）和 False Negatives（假负例FN）指什么
热门推荐
Dontla的博客
11-05 2万+
True、False正确检测还是错误检测（相对于阈值而言） Positive、Negative指画没画框 所以： True Positives（真正例TP）是指正确检测，画出框并且交并比大于阈值的 False Positives（假正例FP）是指错误检测，画出框并且交并比小于阈值的 True Negatives（真负例TN）是指正确检测出不是我们要的目标，没画框 False Negatives（假...
【机器学习】(周志华--西瓜书) 真正例率（TPR）、假正例率（FPR）与查准率（P）、查全率（R）
发现问题，解决问题。
04-12 1万+
Q:试述真正例率（TPR）、假正例率（FPR）与查准率（P）、查全率（R）之间的联系。 查全率: 真实正例被预测为正例的比例 真正例率: 真实正例被预测为正例的比例 显然查全率与真正例率是相等的。 查准率:预测为正例的实例中真实正例的比例 假正例率: 真实反例被预测为正例的比例 两者并没有直接的数值关系。 敏感度，召回率，命中率或真实阳性率（TPR） 特异性，选择性或真阴...
【转】roc曲线与auc值
aaa2549769750的博客
09-13 251
https://www.cnblogs.com/gatherstars/p/6084696.html ROC的全名叫做Receiver Operating Characteristic，其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是false positive rate(FPR)，纵坐标是true positive rate(TPR)。对某个分类器而言，...
对比学习的假负样本
weixin_43913077的博客
10-27 1449
负样本质量分析 Cai T T, Frankle J, Schwab D J, et al. Are all negatives created equal in contrastive instance discrimination?[J]. arXiv preprint arXiv:2010.06682, 2020. 最简单的 95% 的负样本是不必须的，对整个模型的影响非常小。最难的5%的负样本对整个模型的影响是巨大的，因此这些样本是必须的，而且这样的负样本数量也是足够的。仅在这些样本上进行训练就能
机器学习（西瓜书）学习笔记二模型评估与选择
m0_52987303的博客
09-29 388
模型评估与选择本章概览经验误差与过拟合评估方法留出法交叉验证法自助法性能度量比较检验偏差与方差 本章概览 图片来自b站深度之眼UP 经验误差与过拟合 错误率：通常把分类错误的样本数占样本总数的比例称为错误率E=a/m;其中a为错误数，m为样本总数。 精度：1-E；即1减去错误率 误差：把学习器（模型）的实际预测输出与样本的真实输出之间的差异称为误差。 训练误差：学习器在训练集上的误差称为训练误差或经验误差 泛化误差：学习器在新样本上的误差称为泛化误差 过拟合： 我们训练学习器的目的实际是希望他在新样本上表
使用scikit-learn掌握机器学习
在构建模型时，会介绍模型训练、验证和测试的过程，以及如何评估模型的性能，例如使用准确率、精确率、召回率、F1分数、AUC-ROC曲线等指标。书中可能还会讨论模型的正则化技术，如L1和L2正则化，以防止过拟合。 除...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值