TP: Ture Positive 把正的判断为正的数目 True Positive,判断正确,且判为了正,即正的预测为正的。
FN: False Negative 把正的错判为负的数目 False Negative,判断错误,且判为了负,即把正的判为了负的
FP: False Positive 把负的错判为正的数目 False Positive, 判断错误,且判为了正,即把负的判为了正的
TN: True Negative 把负的判为负的数目 True Negative,判断正确,且判为了负,即把负的判为了负的
-
精确率(Precision):当前预测为正样本类别中被正确分类的样本比例
精确率是相对于预测结果而言的,它表示的是预测为正的样本中有多少是对的;那么预测为正的样本就有两种可能来源,一种是把正的预测为正的,这类有TruePositive个, 另外一种是把负的错判为正的,这类有FalsePositive个;精确率的提出是让模型的现有预测结果尽可能不出错(宁愿漏检,也不能让现有的预测有错),关注的是对预测结果的评价,因此精确率即: P = T P / ( T P + F P ) P=TP/(TP+FP) P=TP/(TP+FP),比值越大,代表误判越少。 -
准确率 (Accuracy):分类正确的样本数占样本总数的比例
准确率是指有在所有的判断中有多少判断正确的,即把正的判断为正的,还有把负的判断为负的;总共有 T P + F N + F P + T N TP + FN + FP + TN TP+FN+FP+TN 个,所以准确率: ( T P + T N ) / ( T P + T N + F N + F P ) (TP+TN) / (TP+TN+FN+FP) (TP+TN)/(TP+TN+FN+FP) -
召回率 (Recall):预测出来的正样本占正样本总数的比例
召回率是相对于样本而言的,即样本中有多少正样本被预测正确了,这样的有TP个,所有的正样本有两个去向,一个是被判为正的,另一个是错判为负的,因此总共有TP+FN个;召回率的提出是让模型预测到所有想被预测到的样本(就算多预测一些错的,也能接受),是对关注样本的的评价,所以,召回率 R = T P / ( T P + F N ) R= TP / (TP+FN) R=TP/(TP+FN),比值越大,代表漏检越少。 -
F1 Score
F1 Score指标就是综合精准率和召回率两个指标,计算方法为 F 1 = 2 ∗ p r e c i s i o n ∗ r e c a l l p r e c i s i o n + r e c a l l F_1= \frac{2*precision*recall}{precision+recall} F1=precision+recall2∗precision∗recall ,它是precision和recall的调和平均值,指标越大越好。