本文介绍了分类器性能的几个关键度量指标：错误率、精度、正确率、召回率和假阳率。重点讨论了ROC曲线和AUC的概念，ROC曲线展示了不同阈值下假正例率与真正例率的关系，AUC作为衡量分类器性能的平均指标，其值在0.5到1.0之间，1.0表示完美分类。此外，还提到了在处理非均衡分类问题时，如何通过调整阈值、代价敏感学习和数据改造来改善性能，如使用均方误差作为回归任务的评价标准。
1、通常我们把分类错误的样本数占样本总数的比例称为“错误率”(error rate)，即如果在m个样本中有a个样本分类错误，则错误率E=a/m；相应的，1-a/m称为“精度”(accuracy)，即“精度=1一错误率”
2、正确率 = TP/（TP+FP）
召回率 = TP/（TP+FN）
假阳率 = FP/（FP+TN）
例如：
ROC与AUC
ROC全称是“受试者工作特征”（Receiver Operating Characteristic）曲线，其横轴是“假正例率”（False Positive Rate，简称FPR），纵轴是“真正例率”（True Positive Rate，简称TRP），两者分别定义为：
最低0.47元/天 解锁文章
5454
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
