基本评价指标解释
本篇文章主要介绍机器学习中常见的指标,由于这些东西很基本,又很常用,所以本篇文章记录下来,加深一下印象。
几种分类
对于一个模型输出的预测结果,一般的将它们分为四个类别:TP、FP、TN、FN
利用下面一张图可以清晰明了、简单粗暴的解释上面的四个名词:
预测 | 预测 | ||
---|---|---|---|
P | N | ||
实际 | P | TP | FN |
实际 | N | FP | TN |
评价指标
准确率(accuracy)
acc = (TP + TN) / total
精确率(precision)
p = TP / (TP + FP)
召回率(recall)
r = TP / (TP + FN)
F1(F-Measure)
通常情况下,精确率和召回率是此消彼长的,所以需要综合考虑,常见的方法就是F-Measure,它是Precision和Recall的加权调和平均
F = ((a^2 + 1) * P * R) / (a^2 * (P + R))
当a=1是,我们就叫F1值:
F1 = (2 * P * R) / (P + R)
并交比(IOU)
IOU = TP / (TP + FP + FN)