评估指标
- 由要解决的问题选择性能指标,然后测试模型表现。
准确度:某特定类别中我们正确标记并正确识别为此类别的项目或数据点的数量,除以该类别中全部项目或数据点的数量。
- 准确度的缺陷
准确度会在出现偏斜类时出现问题
有时你宁可猜测某人是无辜的以免被误关进监狱
有时你宁可假设某人是有罪的再进行排除
混淆矩阵
左边矩阵上方是实际分类,左方是预测的分类。
- 决策树混淆矩阵
召回率(Recall)
这个人是Hugo的情况下,我们的算法准确识别Hugo的概率
精确率(Precision)
假设我们的算法检测到了Hugo,那么此人确实是Hugo的概率
请反复诵读上面两个概念!!!非常重要!!!
用另一个人来做例子
- 特征脸方法
True Positive
False Positive
False Negitive
- 注意:
Flase Negitive 即:假负例
这里的意思是:当我们预测他不是Colin,但实际上他是Colin的个数!!!
所以放在示例里,应该是label为真,而预测为假的个数!!
(这里在后面的迷你项目中很有迷惑性!)
- 召回率的计算公式
- 精确率的计算公式