误
差
(
A
C
C
)
=
T
P
+
T
N
T
P
+
T
N
+
F
P
+
F
N
误差(ACC)=\frac{TP+TN}{TP+TN+FP+FN}
误差(ACC)=TP+TN+FP+FNTP+TN
精 确 率 ( P r e c i s i o n ) = T P T P + F P 精确率(Precision)=\frac{TP}{TP+FP} 精确率(Precision)=TP+FPTP
召 回 率 ( R e c a l l ) = T P T P + F N 召回率(Recall)=\frac{TP}{TP+FN} 召回率(Recall)=TP+FNTP
用一个F1值来综合评估召回率和精确率,它是精准率和召回率的调和平均:
1 F 1 = 1 P + 1 R \frac {1}{F_1}=\frac {1}{P}+\frac {1}{R} F11=P1+R1
有时候,我们用一个参数 β \beta β来度量二者之间的关系
F β = ( 1 + β 2 ) ∗ P ∗ R β 2 ∗ ( P + R ) F_{\beta}=\frac {(1+\beta^2)*P*R}{\beta^{2}*(P+R)} Fβ=β2∗(P+R)(1+β2)∗P∗R
- 如果 β > 1 \beta>1 β>1召回率有更大影响
- 如果 β < 1 \beta<1 β<1精确率有更大影响
- 如果 β = 1 \beta=1 β=1召回率和精确率的影响能力相同
灵敏度(真阳率):
T
P
R
=
T
P
T
P
+
F
N
TPR=\frac{TP}{TP+FN}
TPR=TP+FNTP
识别的正例占全部实际正例的比例
特异度(假阳率):
F
P
R
=
F
P
T
N
+
F
P
FPR=\frac{FP}{TN+FP}
FPR=TN+FPFP
识别的假阳例占所有负例的比例
例A:
结论:
由图中可以看出,在较小的假阳概率下,算法1的真阳性概率更大,围出的面积(AUC)也较大,因此算法1较好.
例B:
结论:
由图中可以看出,在相同的召回率下,算法1的精确率更高,因此算法1较好.