分类问题评估度量标准

凉风慕有信

于 2019-09-28 12:00:40 发布

阅读量407

点赞数

分类专栏：算法基础知识文章标签：基础知识

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/sinat_36118365/article/details/101604281

版权

算法基础知识专栏收录该内容

19 篇文章

订阅专栏

1、错误率 $E(f:D) = \frac{1}{m}\sum_{i=1}^{m}I(f(x_{i})\neq y_{i}))$

预判错误的概率

2、精度 $ACC(f:D) = \frac{1}{m}\sum_{i=1}^{m}I(f(x_{i})= y_{i}))=1-E(f ; D)$

判断正确的概率

3、二分类混淆矩阵

预测的结果和真实的结果分成四类：

查准率（准确率） P （precision） = $\tfrac{TP}{TP+FP}$ TP+FP：预测为正的样本

查全率（召回率） R （recall）= $\tfrac{TP}{TP+FN}$ TP+FN: 真正的全部正样本

F1 值：

F1 = $\frac{2\times P\times R}{P+R}$ 也是一种几何平均 $\frac{2}{\frac{1}{P}+\frac{1}{R}}$

Fβ 值：

Fβ = $\frac{(1+\beta ^{2})\times P\times R}{(\beta ^{2}\times P)+R}$ β < 1:准确率有更大影响 β＞1：召回率有更大影响

4、ROC曲线和AUC （Area Under Curve）

纵坐标 TPR = $\frac{TP}{TP+FN}$ 预测正确在真正的正样本中的概率

横坐标 FPR = $\frac{FP}{TN+FP}$ 预测错误在真正的负样本中的概率

按预测结果按照顺序逐个样本预测画出ROC曲线。

AUC就是曲线下的面积，面积越大，分类效果越好

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。