机器学习之评价函数
相信很多人都跟我一样,对于评价函数总是记不住,每次用到的时候都需要翻一翻笔记来确认一下,希望通过这篇博文能够下次再用到的时候不需要翻笔记吧!!!
对于评价函数需要先从混淆矩阵说起。
一、混淆矩阵
TP(True Positive):预测结果为正类,实际也是正类。(真正)
FP(False Positive): 预测结果为正类,实际是负类。(假正)
FN(False Negative):预测结果为负类,实际是正类。(假负)
TN(True Negative):预测结果为负类,实际也是负类。(真负)
二、评价指标
1、Precision(精确率):预测结果为正类中有多少为正类。
Precision = TP/(TP+FP)
2、Recall(召回率):真实结果为正类中有多少被预测成正类。
Recall = TP/(TP+FN)
(就是灵敏度Sensitivity,同时也是TPR)
3、Accuracy(准确率):所有预测正确的数量占总测试样本的比重。
Accuracy =(TP+TN)/ (TP+TN+FP+FN)
4、Specificity(特异度):在真实值是负类的所有结果中,模型预测对的比重。
Specificity = TN/(TN+FP)
5、F1-score :综合考虑Precision和Recall。
F1-score = 2*Precision*Recall / (Precision + Recall)
6、TPR、FPR、TNR、FNR
(1)TPR(True Positive Rate):所有正类中有多少被预测成正类(正类预测正确),即召回率。
TPR = TP/(TP+FN)
(2)FPR(False Positive Rate):所有负类中有多少被预测成正类(正类预测错误)。
FPR = FP/(FP+TN)
(3)TNR(True negative Rate):所有负类中有多少被预测成负类(负类预测正确)。
TNR = TN /(TN+FP)
(4)FNR(False Negative Rate):所有正类中有多少被预测成反类。(反类预测错误)
FNR = FN / (FN+TP)