本文介绍了分类算法的评估指标，包括混淆矩阵的概念以及准确度、精确度、召回度、F-score、假负率、特异值、假正率等关键指标的定义和作用。此外，还讨论了ROC曲线和DET曲线的评价标准，如AUC面积和等错误率EER，帮助理解模型性能。
混淆矩阵（Confusion Matrix）：真实值，预测值，预测值和真实值之间的关系。
True positive (TP) ：图中的11，真实值为Positive，预测正确（预测值为Positive）
True negative (TN)：图中的00，真实值为Negative，预测正确（预测值为Negative）
False positive (FP)：图中的01，真实值为Negative，预测错误（预测值为Positive）
False negative (FN)：图中的10，真实值为Positive，预测错误（预测值为 Negative）
1、准确度（Accuracy）：所有预测正确的所有样本除以总样本，通常来说越接近1越好（对角线）
缺点：样本数据严重不均衡的情况不能使用。
2、精确度（Precision）：表示所有预测得到的正样本中，有多少是真实的正样本（竖：第一列）
3、召回度（Recall）：表示真实正样本有多少被预测正确（横：第一行）
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
