误差的表示方法

$$误差(ACC)=\frac{TP+TN}{TP+TN+FP+FN}$$

$$精确率(Precision)=\frac{TP}{TP+FP}$$

$$召回率(Recall)=\frac{TP}{TP+FN}$$

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:

$$\frac{1}{F_1}=\frac{1}{P}+\frac{1}{R}$$

有时候,我们用一个参数$\beta$来度量二者之间的关系

$$F_{\beta }=\frac{(1+{\beta }^2)\ast P\ast R}{{\beta }^2\ast (P+R)}$$

• 如果$\beta >1$召回率有更大影响
• 如果$\beta <1$精确率有更大影响
• 如果$\beta =1$召回率和精确率的影响能力相同

灵敏度(真阳率):

$$TPR=\frac{TP}{TP+FN}$$
识别的正例占全部实际正例的比例

特异度(假阳率):

$$FPR=\frac{FP}{TN+FP}$$
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.