基本理论:
概率:长期相对频率(频率学派)或者确信程度的度量(贝叶斯学派),用P(A)表示,
0
≤
P
(
A
)
≤
1
0 \le P(A) \le 1
0≤P(A)≤1。
互斥:两件事情不能同时发生,P(AB)=0。
独立:两件事情互不影响发生,P(A)P(B)=P(AB)。
True | False | |
---|---|---|
Postive | TP | FP |
Negative | TN | FN |
T P R = T P T P + T N + F P + F N , T N R = T N T P + T N + F P + F N F P R = F P T P + T N + F P + F N , F N R = F N T P + T N + F P + F N A c c u r a c y = T P R + F N R = T P + F N T P + F P + T N + F N P r e c i s i o n = T P T P + F P R e c a l l = T P T P + F N TPR = \frac{TP}{TP+TN+FP+FN}, \quad TNR = \frac{TN}{TP+TN+FP+FN} \\ FPR = \frac{FP}{TP+TN+FP+FN},\quad FNR = \frac{FN}{TP+TN+FP+FN} \\ Accuracy=TPR+FNR=\frac{TP+FN}{TP+FP+TN+FN} \\ Precision=\frac{TP}{TP+FP} \\Recall=\frac{TP}{TP+FN} TPR=TP+TN+FP+FNTP,TNR=TP+TN+FP+FNTNFPR=TP+TN+FP+FNFP,FNR=TP+TN+FP+FNFNAccuracy=TPR+FNR=TP+FP+TN+FNTP+FNPrecision=TP+FPTPRecall=TP+FNTP
Rate(比例):全部数据中,结果占的比例。
Accuracy(准确率):全部数据中,预测正确占的比例。
Precision(精准率):预测正向的数据中,预测正确占的比例。
Recall(召回率):正向的数据中,预测正确占的比例。
1. 以下两种描述分别对应哪两种分类算法的评价标准?
a) 描述有多少比例的小偷被警察抓了的标准
b) 警察抓小偷,描述警察抓的人中有多少个是小偷的标准
A.True Positive Rate(TPR), False Positive Rate(FPR)
B.True Positive Rate(TPR), True Negative Rate(FRP)
C.Precision, Recall
D.Recall, Precision
✓
\checkmark
✓
解析:
小偷(T) | 非小偷(F) | |
---|---|---|
抓(P) | TP | FP |
不抓(N) | TN | FN |
a) 描述有多少比例的小偷被警察抓了的标准 =>
T
P
T
P
+
F
N
\frac{TP}{TP+FN}
TP+FNTP Recall(召回率)
b) 警察抓小偷,描述警察抓的人中有多少个是小偷的标准 =>
T
P
T
P
+
F
P
\frac{TP}{TP+FP}
TP+FPTP Precision(精准率)
2. 设事件A,B 互斥,且已知P(A)=p,P(B)=q(0<p<1,0<q<1), 则
P
(
A
‾
B
)
=
(
)
P(\overline AB)=()
P(AB)=() 。
A.(1-p)q
B.pq
C.p
D.q
✓
\checkmark
✓
解析:
∵
A
,
B
互
斥
∴
B
⊆
A
‾
P
(
A
‾
B
)
=
P
(
B
)
=
q
\because A,B互斥 \\ \therefore B\subseteq\overline A \\ P(\overline AB)=P(B) = q
∵A,B互斥∴B⊆AP(AB)=P(B)=q
3. 4个电阻A、B、C和D,每个元件正常工作的概率是P,(0<P<1),电路连接情况为A和B并联,C和D并联,两组并联后又串联在一起,那么系统正常工作的概率是多少?
A.
(
1
−
p
2
)
2
(1-p^2)^2
(1−p2)2
B.
1
−
p
2
1-p^2
1−p2
C.
(
1
−
(
1
−
p
)
2
)
2
\mathbf{(1-(1-p)^2)^2}
(1−(1−p)2)2
✓
\checkmark
✓
D.
(
1
−
p
2
)
(1-p^2)
(1−p2)
解析:
4. 假设检验基本思想的依据是小概率事件原理。
A.TURE
✓
\checkmark
✓
B.FALSE
解析:
假设检验的基本思想是小概率反证法思想。
5. 样本方差是母体方差
D
X
D_X
DX的无偏估计。
A.TURE
✓
\checkmark
✓
B.FALSE
解析:
σ
2
=
∑
(
x
i
−
E
(
x
)
)
2
n
s
2
=
∑
(
x
i
−
E
(
x
)
)
2
n
−
1
\sigma^2 = \frac{\sum(x_i-E(x))^2}{n} \\s^2 = \frac{\sum(x_i-E(x))^2}{n-1}
σ2=n∑(xi−E(x))2s2=n−1∑(xi−E(x))2
为了使
E
(
s
2
)
=
σ
2
E(s^2)=\sigma^2
E(s2)=σ2,样本方差需要修正(无偏)。