深度学习常用的评价指标有:
准确率 (Accuracy),混淆矩阵 (Confusion Matrix),精确率(Precision),召回率(Recall),F1
准确率:即常规想法的准确率评价,直白点就是,预测对的样本的比例,即:
预测正确样本数量 / 样本总量
精确率与召回率:
先定义两个定义: 用 positives 表示正样本,negatives表示负样本,True 表示预测正确,False表示预测错误
True positives(tp): 正样本被正确识别为正样本
True negatives(tn): 负样本被正确识别为负样本
False positives(fp): 负样本被识别为正样本
False negatives(fn): 正样本被识别为负样本
则精准率就可以表示为:
则召回率就可以表示为:
具体来说,精准率和召回率都是为了描述正样本而提出的。
精准率即为正样本的准确率,即被识别为正样本的样本中,真正为正样本的比例。
召回率即为能被识别出的正样本的准确率,即在所有的正样本中,能被正确识别出来的比例。
F1分数: