准确率、召回率、F-1值、ROC

1 混淆矩阵

如果我们用的是一个二分类模型,那么把预测情况和实际情况的所有结果进行两两组合,就会出现如下的混淆矩阵。
混淆矩阵
其中的核心概念如下,1代表正类、0代表负类:

  • TP:若一个实例是正类,但是被预测成为正类,即为真正类(True Postive)
  • TN:若一个实例是负类,但是被预测成为负类,即为真负类(True Negative)
  • FP:若一个实例是负类,但是被预测成为正类,即为假正类(False Postive)
  • FN:若一个实例是正类,但是被预测成为负类,即为假负类(False Negative)

2 准确率

预测正确的结果占总样本的百分比,其公式如下:(TP+TN)/(TP+TN+FP+FN)。
在这里插入图片描述

虽然准确率可以判断总的正确率,但是在样本不平衡的情况下,并不能作为很好的指标来衡量结果。举个简单的例子,比如在一个总样本中,正样本占90%,负样本占10%,样本是严重不平衡的。对于这种情况,我们只需要将全部样本预测为正样本即可得到90%的高准确率,但实际上我们并没有很用心的分类&

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值