文章目录
-p’(Predicted)n’(Predicted)p(Actual)True PositiveFalse Negtiven(Actual)False PositiveTrue Negtive
准确率(Accuracy)
A
=
No.Samples Predicted Correctly
Total No.of Samples
=
T
P
+
T
N
P
+
N
(1)
A=\frac{\text{No.Samples Predicted Correctly}}{\text{Total No.of Samples}}=\frac{TP+TN}{P+N}\tag1
A=Total No.of SamplesNo.Samples Predicted Correctly=P+NTP+TN(1)
对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。
精确率(precision)
P
=
T
P
T
P
+
F
P
(2)
P=\frac{TP}{TP+FP}\tag2
P=TP+FPTP(2)
计算的是所有"正确被检索的item(TP)占所有"实际被检索到的(TP+FP)的比例。预测为正的样本中有多少是真正的正样本，它是针对我们预测结果而言的。Precision又称为查准率。
召回率(recall)
计算的是所有“正确被检索的item(TP)”占所有"应该检索到的item(TP+FN)”的比例。样本中的正例有多少被预测正确了， 它是针对我们原来的样本而言的。Recall又称为查全率。召回率关注的是分类器正确识别出的正例占所有实际正例的比例，可以反映出模型在识别正例上的能力。
R
=
T
P
T
P
+
F
N
(3)
R=\frac{TP}{TP+FN}\tag3
R=TP+FNTP(3)
- 真正例（True Positive, TP）：实际为正例且被模型预测为正例的样本数量；
- 假负例（False Negative, FN）：实际为正例但被模型预测为负例的样本数量。
F1-measure值
F1-measure值是一种统计量，是Precision和统计量加权调和平均的一个评价标准。
F
β
=
(
β
2
+
1
)
P
R
β
2
⋅
P
+
R
(4)
F_{\beta}=\frac{\left(\beta^{2}+1\right) P R}{\beta^{2} \cdot P+R}\tag4
Fβ=β2⋅P+R(β2+1)PR(4)
A more general F score,
F
β
F_\beta
Fβ, that uses a positive real factor
β
\beta
β, where
β
\beta
β is chosen such that recall is considered
β
\beta
β times as important as precision。
F
1
F_1
F1定义为调和均值
2
F
1
=
1
P
+
1
R
(5)
\frac{2}{F_{1}}=\frac{1}{P}+\frac{1}{R}\tag5
F12=P1+R1(5)
调整下也就是
F
1
=
2
P
R
P
+
R
=
2
T
P
2
T
P
+
F
P
+
F
N
(6)
F_{1}=\frac{2 P R}{P+R}=\frac{2 T P}{2 T P+F P+F N}\tag6
F1=P+R2PR=2TP+FP+FN2TP(6)
当参数
β
\beta
β=1时，式
(
6
)
(6)
(6)就是最常见的F1-Measure形式。
学习理解网站
这是一个链接
F
β
学习网址
F_{\beta}学习网址
Fβ学习网址。看完博客不理解的话可以在B站上学习，视频以Nike鞋子举例，说明为什么要多种的统计量来衡量模型优劣。
标签：
人工智能
本文转载自: https://blog.csdn.net/m0_51143578/article/details/128753976
版权归原作者 WHS-_-2022 所有， 如有侵权，请联系我们删除。
版权归原作者 WHS-_-2022 所有， 如有侵权，请联系我们删除。