机器学习评价指标

混淆矩阵

True Positive （真正, TP）被模型预测为正的正样本；

True Negative（真负 , TN）被模型预测为负的负样本 ；

False Positive （假正, FP）被模型预测为正的负样本；

False Negative（假负 , FN）被模型预测为负的正样本；

准确率

准确率（Accuracy）。顾名思义，就是所有的预测正确（正类负类）的占总的比重

$\mathrm{accuracy}=\frac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{FN}+\mathrm{FP}+\mathrm{TN}}$​​

真正率

True Positive Rate（真正率 , TPR）或灵敏度（sensitivity），也叫召回率

$\mathrm{TPR}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}$

正样本预测结果数 / 正样本实际数

假正率

False Positive Rate （假正率, FPR）

$\mathrm{FPR}=\frac{\mathrm{FP}}{\mathrm{FP}+\mathrm{TN}}$​

被预测为正的负样本结果数 /负样本实际数

精确率

精确率（Precision），查准率。即正确预测为正的占全部预测为正的比例。个人理解：真正正确的占所有预测为正的比例。

$\mathrm{precision}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}}$

召回率

召回率（Recall），查全率，也叫真正率TPR。即正确预测为正的占全部实际为正的比例。个人理解：真正正确的占所有实际为正的比例。

$\mathrm{recall}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}$​

F-measure（F1）值

精确率越高越好，召回率越高越好。F1分数同时考虑精确率和召回率，让两者同时达到最高，取得平衡，F1越大越好！

$F1=\frac{2\times \mathrm{precision}\times \mathrm{recall}}{\mathrm{precision}+\mathrm{recall}}$​​（标准公式）------（2）

$F1=\frac{2}{\frac{1}{\mathrm{precision}}+\frac{1}{\mathrm{recall}}}$​​（方便理解）------（1）

从(1)看出，Recall不变时，Precision越大，1/Precision越小，从而F1越大。

同理： Precision不变时，Recall越大，1/Recall越小，从而F1越大。

上面式子（2）可以由式子（1）推导出来。

代码点亮人生，思维改变世界~