本文深入探讨了机器学习中预测样本与真实样本的关系，详细解释了TP、FN、FP、TN的概念，以及Precision、Recall和Accuracy等评估指标的计算方式。通过这些指标，可以全面了解分类模型的性能。
机器学习中，预测样本与真实样本之间的关系图：
TP： 实际样本为正例，预测结果为正例，
FN：实际样本为正例，预测结果为负例
FP： 实际样本为负例，预测结果为正例
TN： 实际样本为负例，预测结果为负例
Precision: 精准率 查准率 是否误报
在预测为真的样例中，实际为真的概率
Precision = TP /(TP + FP)
Recall: 召回率 检测是否漏报
在实际为真的样例中，预测为真的概率
Recall = TP /(TP + FN)
Accuracy: 准确率
所有样本中，预测正确的概率
Accuracy = (TP +TN) / (P + N)
Precision和Recall的变化曲线如图所示：
在分类问题中，可设定阈值threshold，进行分类
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
