美文网首页
准确率、精确率、召回率、F1、ROC

准确率、精确率、召回率、F1、ROC

作者: filterc | 来源:发表于2018-11-20 10:16 被阅读18次

我们以一个二分类问题来解释上面这些概念：

一共有100条邮件，每条可能是垃圾邮件（1）或不是（0）

有一个二分类器，分别处理这些邮件，并给出是否是垃圾邮件的预测结果

我们正确地找到垃圾邮件作为Positive，这100条样本会存在以下四种情况

分类 标记 标记简写
垃圾邮件，且分类器预测为垃圾邮件 True Positive TP
垃圾邮件，且分类器预测为非垃圾邮件 False Negative FN
非垃圾邮件，且分类器预测为垃圾邮件 False Positive FP
非垃圾邮件，且分类器预测为非垃圾邮件 True Negative TN

准确率（Accuracy）

Accuracy=\frac{TP+FN}{TP+FP+FN+TN}

描述的是所有样本中识别正确的比例

精确率（Precision）

Precision=\frac{TP}{TP+FP}

描述在预测为垃圾邮件的样本中，有多少是预测正确的

召回率（Recall）

Recall=\frac{TP}{TP+FN}

描述在所有的垃圾邮件中，有多少被预测识别到了

F1

根据Precision和Recall的定义，可以看出两者是相互制约的：可以通过降低Recall来很容易的提升Precision，所以需要两者的调和均值来定义一个综合的指标。

F_1=\frac{2PR}{P+R}

ROC

一般来说，分类器可以通过控制阈值来达到不同的分类效果，为了评估分类器本身的效果，可以将不同阈值下指标画在一张图上。ROC就是一种这样的指标。

True Positive Rate (TPR)，代表能将正例分对的概率；False Positive Rate (FPR) 代表将负例错分为正例的概率。

TPR=\frac{TP}{TP+FN}

FPR=\frac{FP}{FP+TN}

在ROC 空间中，每个点的横坐标是FPR，纵坐标是TPR，这也就描绘了分类器在TP（真正的正例）和FP（错误的正例）间的trade-off。

相关文章

网友评论

      本文标题：准确率、精确率、召回率、F1、ROC

      本文链接：https://www.haomeiwen.com/subject/svdvxqtx.html

      延伸阅读

      深度阅读

      • 您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

      栏目导航

      热点阅读

      关于我们|服务条款|联系我们|准确率、精确率、召回率、F1、ROC|投稿指南|网站地图|RSS订阅|排版工具|手机版

      提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

      Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网 版权所有

      备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

      本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

      所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！