分类模型的评估指标(1)--Accuracy、Precession、Recall、F1score的计算公式

在进行了解这些指标之前,我们先看一下图1:

图中有四种分类:

(真阳性)TP:被模型预测为正的正样本;将正类预测为正类;

(假阳性)FP:被模型预测为正的负样本;  将负类预测为正类;

(假阴性)FN:被模型预测为负的正样本;将正类预测为负类;

(真阴性)TN:被模型预测为负的负样本;将负类预测为负类;

有时候,我们很容易被这四类给搞混,那么如何好记一下呢?

我们把T/F记为1,P/N记为2。

2代表的是:模型的预测结果---模型对我们这个样本,最后预测出来,是正例还是负例。

1代表的是:模型的预测结果是否正确。

接下来,我们看一下一张图片,这张图片是送入分类器之后,判断每一张图片的内容是不是汉堡:

根据上图,我们可以对图1进行填空:TP=1,FP=2,FN=1,TN=5。这样,我们得到了这样的四个数,而这四个数,便组成了图1中的混淆矩阵。图1展示的是一个二分类问题,而关于三分类、四分类....N分类问题,与其类似。我们会分别得到,一个3x3,4x4...NxN的矩阵。

继续以上述数据为例,

我们在得到分类器A的同时,又获得了另一个分类器B的数据。那么,我们想通过一些指标判断,哪个分类器指标更好。这就需要用到我们即将说到的指标了(下述公式以图A中的数据为例进行计算)。

1.准确率Accuracy---分类器到底分对了多少?

Accuracy=\frac{TP+TN}{TP+FP+TN+PN}=(1+5)/(1+2+1+5)=0.67

2.精确率Precision---返回的图片中正确的有多少?

Precision=\frac{TP}{TP+FP}=1/(1+2)=0.33

3.召回率Recall---有多少张应该返回的图片没有找到?

Recall=\frac{TP}{TP+FN}=1/(1+1)=0.50

4.F1值---Precision与Recall的调和平均。

F1score=\frac{2*Precision*Recall}{Precision+Recall}=(2*0.33*0.50)/(0.33+0.50)=0.40

  • 0
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值