机器学习---评价指标：Accuracy、Precision、Recall、F-Measure

WTHunt

于 2018-10-31 00:48:21 发布

阅读量1.1k

点赞数

分类专栏：深度学习文章标签：机器学习评价指标神经网络 precision recall

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/qq_20880415/article/details/83552404

版权

深度学习专栏收录该内容

11 篇文章

订阅专栏

在介绍指标前必须先了解“混淆矩阵”，其各个元素的介绍如下：

True Positive(真正，TP)：将正类预测为正类数

True Negative(真负，TN)：将负类预测为负类数

False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)

False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)

这里写图片描述

这里写图片描述

Accuracy最容易理解，指所有样本中被正确分类的样本，包含所有样本类别。数学公式为：

$Accuracy = \frac{TP+TN}{TP+TN+FP+FN}$

Precision与Recall是比较常见的两个衡量分类精确度的参数。Precision是指在所有分类结果为某一类别的样本中，被正确分类

的个数所占比例，而Recall指的是在某一类别的所有样本中被正确分类的样本所占比例。他们的公式分别为：

$Precision = \frac{TP}{TP+FP}$

$Recall = \frac{TP}{TP+FN}$

注：区别这两者的关键是Presion是从分类后的样本角度看的，而Recall是从原始样本角度看的

F-measure（F-score）是Precision与Recall的加权和，因为P与R可能会存在相反的情况，这时F-Measure可以将两者综合，能更有效的评价分类结果，其公式为：

$F-measure = \frac{(\alpha ^{2}+1)(P*R)}{\alpha ^{2}(P+R)}$

当 $\alpha$ 为1是即为熟悉的F1参数：

$F1 = \frac{2*P*R}{(P+R)}$

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。