召回率 精确率 matlab,「机器学习」准确率、精确率、召回率、F1分数、ROC-AUC

「机器学习」准确率、精确率、召回率、F1分数、ROC-AUC

机器学习

最后更新 2020-08-31 16:22

阅读 210

最后更新 2020-08-31 16:22

阅读 210

机器学习

在机器学习中衡量一个模型是否准确我们有很多指标：

准确率 - accuracy

精确率 - precision

召回率 - recall

F1分数-F1 score

ROC曲线下面积 - ROC-AUC (area under curve)

那么，这些指标到底都是什么呢？各自有什么优缺点呢？笔者在了解这些指标的时候是在网上各大网站(CSDN、博客园、知乎)上找文章学习的。但是这些文章要么是过于数学化，要么是有地方不那么好读(前后变量不一致导致阅读苦难)、要么是过于“去数学化”。我自己整理了一份学习笔记，一定能够让大家一次性读懂这几个指标。

下面进入正文：

大家要明白，以上指标统统离不开一个工具：混淆矩阵-confusion matrix

混淆矩阵是个什么东西？

对于二分类问题，每一条数据要么预测正确，表示为1；要么预测错误，表示为0(注意这里是预测结果正确与否，而不是预测结果是0还是1)，而事物本身也是被分为0(负样本)和1(正样本)两类。

用矩阵来表示就是这个样子


TP：True&Positive(positive表示正样本，true表示预测正确，即预测为positive是正确的)