机器学习-模型评估中的性能度量

最新推荐文章于 2020-06-18 15:22:57 发布

from-WRF

最新推荐文章于 2020-06-18 15:22:57 发布

阅读量299

点赞数

分类专栏：深度学习

本文链接：https://blog.csdn.net/weiruofeng/article/details/85067357

版权

深度学习专栏收录该内容

9 篇文章 0 订阅

订阅专栏

# 错误率与精度

错误率是指：分类错误的样本数占样本总数的比例

精度是指：分类正确的样本数占样本总数的比例

# （precision）查准率（准确率）、（recall）查全率（召回率）和F1

precision: 预测出的正例中有多少是真正的正例

recall：样本中有多少正例被预测出来了

真实情况	预测结果
真实情况	正例	反例
正例	TP（真正例）	FN（假反例）
反例	FP（假正例）	TN（真反例）

$P = \frac{TP}{TP+FP}$

$R = \frac{TP}{TP+FN}$

在很多情形下，可以根据学习器预测结果对样例进行排序，排在前面的是学习器认为“最可能”是正例的样本，排在最后的则是学习器认为“最不可能”是正例的样本。按此顺序逐个把样本作为正例进行预测，则每次可以计算出当前的precision和recall。以precision为Y轴，以recall为X轴，就得到了P-R曲线。

$F1 = \frac{2 * P * R}{P + R}$

#ROC与AUC

ROC: receiver operating characteristic

根据学习器的预测结果对样例进行排序，按此顺序逐个把样本作为正例进行预测，每次计算出真正例率（TPR）和假正例率（FPR）,并以他们作为Y轴和X轴。

$TPR = \frac{TP}{TP+FN}$

$FPR = \frac{FP}{FP+TN}$

ROC曲线：

AUC: area under roc curve

from-WRF

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
机器学习-模型评估中的性能度量

# 错误率与精度错误率是指：分类错误的样本数占样本总数的比例精度是指：分类正确的样本数占样本总数的比例# （precision）查准率（准确率）、（recall）查全率（召回率）和F1precision: 预测出的正例中有多少是真正的正例recall：样本中有多少正例被预测出来了真实情况预测结果正例反例正例 TP（真正例） FN...
复制链接

扫一扫