机器学习11. ROC曲线、AUC值、Accuracy、Precision、Recall 含义

AUC/ROC,Accuracy,Precision,Recall 含义。查准率,查全率,样本均衡问题

部分图片转自这里

  • 行的True和False表示预测为正负
  • 列的Pos和Neg表示真实的正负
    在这里插入图片描述
  • 表哥说明:
    • True Positive(TP):将正类预测为正类的数量.
    • True Negative(TN):将负类预测为负类的数量.
    • False Positive(FP):将负类预测为正类数(假的正类–>其实是负累预测为正) → 误报 (Type I error).(把鸟当成敌机了)
    • False Negative(FN):将正类预测为负类数(假的负类–>其实是正类预测为负) → 漏报 (Type II error).(把敌机当成鸟了–>非常严重)
  • 准确率(Accuracy)
    • a c c = T P + T N 4 个 全 部 acc=\frac{TP+TN}{4个全部} acc=4TP+TN,表示分类正确的比例。
    • 准确率在样本不平衡时有较大缺陷。

记正负样本个数分别为: F = T P + F N F=TP+FN F=TP+FN N = T N + F P N=TN+FP N=

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值