混淆矩阵有四个不同的类型，每种类型都由两个不同的词组成：
- 第一个词为True或者False，代表预测对了没有，True就是预测对了，False就是预测对了
- 第二个词为Positive或者Negtive，代表预测了个啥，Positive就是觉得结果是正样本，Negtive就是觉得结果是负样本。
由此进行排列组合就有四个不同结果：
- True Positive （TP）：计算机认为是真值，计算机预测对了；
- False Positive （FP）：计算机认为是真值，但是计算机预测错了；
- True Negative （TN）：计算机认为是假值，计算机预测对了；
- False Negative （FN）：计算机认为是假值，计算机预测错了。
根据以上4个结果，可以得到6个评价指标：
| 指标 | 公式 | 该指标关注的信息 |
|---|---|---|
| 准确率(Accuracy) | = ( T P + T N ) / ( T P + F P + T N + F N ) = (TP+TN)/(TP+FP+TN+FN) =(TP+TN)/(TP+FP+TN+FN) | 整体样本中，预测正确的比例 |
| 错误率(Misclassification Rate) | = ( F P + F N ) / ( T P + F P + T N + F N ) = (FP+FN)/(TP+FP+TN+FN) =(FP+FN)/(TP+FP+TN+FN) | 整体样本中，预测错误的比例 |
| 召回率(Recall) | = T P / ( T P + F N ) = TP/(TP+FN) =TP/(TP+FN) | 正样本中，预测正确的比例 |
| 特异度(Specificity) | = T N / ( T N + F P ) = TN/(TN+FP) =TN/(TN+FP) | 负样本中，预测正确的比例 |
| 精确率(Precision) | = T P / ( T P + F P ) = TP/(TP+FP) =TP/(TP+FP) | 预测结果为正样本中，预测正确的比例 |
| F1分数(F1 Score) | = ( T ∗ P r e c i s i o n ∗ R e c a l l ) / ( P r e c i s i o n + R e c a l l ) = (T * Precision * Recall) / (Precision + Recall) =(T∗Precision∗Recall)/(Precision+Recall) | 综合Precision和Recall的判断指标 |
扫一扫
1751
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
