混淆矩阵与各种指数
在机器学习中,有多种衡量模型准确的指数,具体如下。
1.混淆矩阵
预测为负 | 预测为正 | |
---|---|---|
真实为负 | TN | FP |
真实为正 | FN | TP |
2.精准率(precision)
精准率指预测为正例的预测结果里正确个数。
3.召回率(recall)
召回率指真实为正的结果里被预测正确的个数。
4.F1 score
当你得到了精准率和召回率,并且想知道那个模型的精准率和召回率的组合可以说明模型最优时,可以采用能同时兼顾精准率和召回率的F1 score。F1 score可以防止精准率和召回率相差过大的情况。
在不对称分类时,只用单一的精确度难以评价一个模型是否合适比如说用单值模型评价一个100个数据中只有一个假,其他全为真的数据集,这个模型的准确率可以达到99%,但很明显这不是一个好模型。用上述的F1 score可以很好地防止这种情况出现。
总结
本章学习了如何准确评价一个模型是否出色。