机器学习分类评估方法——准确率、精确率、召回率、F1-score、ROC曲线的详细介绍

Ma Sizhou

于 2021-03-02 16:59:51 发布

阅读量2.7k

点赞数 5

分类专栏：机器学习

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/weixin_45901519/article/details/114289003

版权

本文深入探讨了机器学习分类评估中的关键指标，包括精确率、召回率、F1-score和ROC曲线。详细介绍了混淆矩阵、分类评估报告API、ROC曲线的绘制及AUC指标的含义。通过实例解释了ROC曲线的绘制过程，展示了不同概率序列下的ROC曲线变化，强调了AUC作为衡量分类器性能的重要标准。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

目录

1、分类评估方法

1.1 分类评估方法

1.1.1 精确率与召回率

（1）混淆矩阵:

（2）精确率(Precision)与召回率(Recall)

1.1.2 F1-score

1.1.3 分类评估报告api

1.2 ROC曲线与AUC指标

1.2.1 TPR与FPR

1.2.2 ROC曲线

1.2.3 AUC指标

1.2.4 AUC计算API

总结：

2、ROC曲线的绘制

2.1 曲线绘制

（1）如果概率的序列是（1:0.9,2:0.7,3:0.8,4:0.6,5:0.5,6:0.4）

（2）如果概率的序列是（1:0.9,2:0.8,3:0.7,4:0.6,5:0.5,6:0.4）

（3）如果概率的序列是（1:0.4,2:0.6,3:0.5,4:0.7,5:0.8,6:0.9）

2.2 意义解释

总结：

1、分类评估方法

1.1 分类评估方法

由于准确率就是： $预测正确的 / 总的样本数$ ，所以这里就不再多说。

1.1.1 精确率与召回率

（1）混淆矩阵:

在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)

在这里插入图片描述

（2）精确率(Precision)与召回率(Recall)

a）精确率：预测结果为正例样本中真实为正例的比例

公式： $精确率 = T P / (T P + F P)$

在这里插入图片描述
b）召回率：真实为正例的样本中预测结果为正例的比例（查得全，对正样本的区分能力）

公式：

最低0.47元/天解锁文章

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。