模型常用基本评价指标

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)

参考文献

一张图理解什么是TP、FN、FP、TN

评价指标对比：准确率(accuracy)、精确率(Precision)、召回率(Recall)、IOU、Kappa系数