机器学习中常用的评估指标,大体上可以从两种任务来分析:分类任务和回归任务。常见的评价方法又包括混淆矩阵、准确率、敏感度、特异性、ROC曲线、AUC值等等。
此专栏将对常见的评价指标进行介绍,将从概念、原理、到代码实现。将采用图文并茂的形式展开。第一章我们从混淆矩阵开始
01
在某一指定阈值下,对模型预测结果的统计:
1.矩阵的一行表示预测类中的实例(可以理解为模型预测输出,predict);
2.矩阵的一列表示对该预测结果与标签(Ground Truth)比较,给出预测结果是否正确,正确为True,反之为False
真正(True Positive , TP):被模型预测为正(P),预测对了(T)。
假正(False Positive , FP):被模型预测为正(P),预测错了(F)。
假负(False Negative , FN):被模型预测为负(N),预测错了(F)。
真负(True Negative , TN):被模型预测为负(N),预测对了(T)。
真正率(True Positive Rate,T