9、性能指标度量与混淆矩阵构建

性能指标度量与混淆矩阵构建

在评估系统性能时，我们需要借助一些关键指标来了解系统的表现。这些指标不仅能帮助我们衡量系统的准确性，还能揭示系统在处理不同情况时的优缺点。以下将详细介绍几个重要的性能指标及其含义。

1. 关键性能指标

• 准确率（Accuracy） ：它反映了我们正确预测样本的百分比。若所有标签都能完美预测，准确率为 1；随着错误百分比的增加，准确率会趋近于 0。计算公式为：$Accuracy = \frac{TP + TN}{All}$ 。例如，当 $TP = 10$，$TN = 0$，总样本数为 20 时，准确率为 $\frac{10 + 0}{20} = 0.5$。
• 精确率（Precision） ：体现了我们预测为正样本中实际为正样本的比例，衡量了正预测的特异性。精确率越高，我们对正预测的准确性就越有信心。其公式为：$Precision = \frac{TP}{TP + FP}$ 。比如，$TP = 10$，$FP = 10$ 时，精确率为 $\frac{10}{10 + 10} = 0.5$。
• 召回率（Recall） ：表示我们正确识别出正样本的百分比。召回率越高，我们就越有信心正确检索到所有正样本。计算公式是：$Recall = \frac{TP}{TP + FN}$ 。若 $TP = 10$，$FN = 0$，召回率则为 $\frac{10}{10 + 0} = 1$。

然而，追求完美的精确率或召回率并不一定能达到我们真正想要的完美正确性。我们期望准确率、精确率和召回率都接