机器学习知识总结——模型评估标准之混淆矩阵

时间：2021-01-27 09:52:43 阅读：20 评论：0 收藏：0 [点我收藏+]

	预测值=1	预测值=0
真实值=1	TP	FN
真实值=0	FP	TN

TP=True Postive=真阳性;FP=False Positive=假阳性

TN = True Negative=假阴性;FN=False Negative=假阴性

\[Precision=\frac{TP}{TP+FP} \]

\[Recall = \frac{TP}{TP+FN} \]

\[Accuracy = \frac{TP+TN}{TP+TN+FP+FN} \]

F1分数可以理解为P和R的调和平均数

\[F1=2\frac{PR}{P+R} \]

P-R曲线就是准确率precision和召回率recall的曲线，以recall作为横坐标，precision作为纵坐标。

ROC曲线是以假阳性率FPR为横坐标，真阳性率TPR为纵坐标

\[TPR=\frac{TP}{TP+FN}\FPR=\frac{FP}{FP+TN} \]

AUC表示ROC曲线下的面积，主要用于衡量模型的泛化能力，即分类效果的好坏。

如有错误，欢迎指正。谢谢

本人博客 https://xiaoxiablogs.top

原文：https://www.cnblogs.com/xiaoxia722/p/14333249.html

踩

(0)

评论一句话评论（0）

分享档案

更多>