这里写自定义目录标题
关于AUC/ROC,F1-score,recall, precision的一些总结
混淆矩阵里有四种不一样的outcomes, 分别代表了
- 预测为正,实际为正 – true positive
- 预测为正,实际为负 – false positive
- 预测为负,实际为正 – false negative
- 预测为负,实际为负 – true negative
根据wikipedia的资料
recall(召回)又名sensitivity(灵敏度) 说的是在,比方说一堆人得病了我们要预测他的outcomes 真正得病的那帮人中被成功预测出来患病的概率
维基百科中文的例子:
举例
在个100人的样本中,有10人事实上患有A病(阳性),经过检测后,9人判定患有A病(真阳性),而1人判定并不患有A病(假阴性); 另外的90人实际上并不患有A病(阴性),然后经过检测后,其中的5人被判定患有A病(假阳性),另外的85人判定不患有A病(真阴性ÿ