1、二分类模型
指标 | 计算 | 备注 |
---|---|---|
精准率(Precision) | Precision=TP / (TP+FP) | 在所有被预测为阳性的测试数据中,真正是阳性的比率。 越大越好 |
召回率(Recall) | Recall=TP / (TP+FN) | 在所有实际为阳性的测试数据中,真正是阳性的比率。 越大越好 |
F1Score | F1Score = 2*(Precision * Recall) / (Precision + Recall) | 综合精准率和召回率这两个指标,并得出量化结果 越大越好 |
准确率(Accuracy) | Accuracy = (TP+TN) / (TP+TN+FP+FN) = (TP+TN) / Count(Samples) | 分类模型预测正确的结果在整体中的占比例 |
2、多分类模型
假设样本x1的真实分类是Class1,它的预测结果有N种可能({Class1, Class2, ..., ClassN}中的任何一个)。但是不管预测结果如何,从预测与真实的符合程度来看,只有两种可能:预测正确(被预测为Class1),和预测错误(被预测为Class1之外的任何一类)。
Class1的精准率:Class1_Precision = Class1_TP/(Class1_TP+Class1_FP),即在所有被预测为Class1的测试数据中,预测正确的比率。
Class1的召回率:Class1_Recall = Class1_TP/(Class1_TP+Class1_FN),即在所有实际为Class1的测试数据中,预测正确的比率。
Class1的F1Score: Class1_F1Score = 2 * (Class1_Precision * Class1_Recall) / (Class1_Precision + Class1_Recall)
同理,Class1的准确率:Class1_Accuracy = (Class1_TP + Class1_TN) / count(Samples)
当我们评估一个多分类模型的时候,一般不会用具体某一个类的Precision,Recall或者Accuracy去对其进行评价,而是会用一个数值来代表整体性能。通常会用到的指标是整体准确率。
Overall Accuracy = 各类被预测对了的样本数量的累加 / 样本总数 = sum (class_i_TP) / count(Samples)