本文深入探讨了机器学习中的关键评估指标——精确率、召回率和等错误率（EER）。精确率衡量预测为正类的样本中真正为正的比例，召回率表示样本中的正类被正确预测的比例，而EER则是错误拒绝率和错误接受率相等时的阈值，常用于生物识别系统。了解这些指标对于优化模型性能至关重要。
1、精确率、召回率、准确率
TP：正类预测为正类
FN：正------>负
FP：负------>正
TN：负------>负
精确率： P = T P T P + F P P=\frac{TP}{TP+FP} P=TP+FPTP，表示预测为正的样本中有多少是真正的正样本；
召回率： R = T P T P + F N R=\frac{TP}{TP+FN} R=TP+FNTP，表示样本中的正类有多少被预测正确了；
准确率： R = T P + T N T P + F N + F P + T N R=\frac{TP+TN}{TP+FN+FP+TN} R=TP+FN+FP+TNTP+TN。
2、EER
关于等错误率EER的DET曲线：
错误拒绝率FR（又叫漏报率）：正样本中被错误识别为负样本的概率（即正确的被认为错了）；
错误接受率FA（又叫误报率）：负样本中被错误识别为正样本的概率。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
