marchine learning 之交叉验证

评价指标

public class PerformanceMeasure {
   
    /**
     * 1、 FN：False Negative,被判定为负样本，但事实上是正样本。
     * 2、 FP：False Positive,被判定为正样本，但事实上是负样本。
     * 3、TN：True Negative,被判定为负样本，事实上也是负样本。
     * 4、TP：True Positive,被判定为正样本，事实上也是正样本。
     * 5、precesion：查准率
     * 即在检索后返回的结果中，真正正确的个数占整个结果的比例。
     * precesion = TP/(TP+FP) 。
     * 6、 recall：查全率
     * 即在检索结果中真正正确的个数 占整个数据集（检索到的和未检索到的）中真正正确个数的比例。
     * recall = TP/(TP+FN)即，检索结果中，你判断为正的样本也确实为正的，
     * 以及那些没在检索结果中被你判断为负但是事实上是正的（FN）。
     * 7、F-Measure
     * 是Precision和Recall加权调和平均
     * P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure（又称为F-Score）。
     * MCC马修斯相关系数
     * 衡量非平衡数据集的指标
     * MCC = (TP*TN - FP*FN)/((TP+FP)*(Tp+FN)*(TN+FP)*(TN+FN))^0.5
     */
    public double tp;
    public double fp;
    public double tn;
    public double fn;

    /**
     * 计算马修斯相关系数
     *
     * @return
     */
    public double getCorrelationCoefficient() {
        return (tp * fn - fp * fn) / Math.sqrt((tp + fp) * (tp + fn) * (tn + fp) * (tn + fn));
    }

    public PerformanceMeasure(double tp, double tn, double fp, double fn) {
        this.tp = tp;
        this.tn = tn;