**的類+-
實際的類+f
++(tp)f
++(t
p)
f+−(fn
) f+−
(fn)
- f−
+(fp
) f−+
(fp)
f−−(tn
) f−−
(tn)
或者稱靈敏度（sensitivity）
定義為被模型正確**的正樣本的比例，即：tp
r=tp
tp+f
n tpr
=tpt
p+fn
或者稱特指率（specificity）
定義為被模型正確**的負樣本的比例，即： tn
r=tn
tn+f
p tnr
=tnt
n+fp
定義為被**為正類的負樣本比例，即： fp
r=fp
tn+f
p fpr
=fpt
n+fp
定義為被**為負類的正樣本的比例，即： fn
r=fn
tp+f
n fnr
=fnt
p+fn
度量被分類器正確**的正樣本的比例，即： re
call
=tpt
p+fnre
call
=tpt
p+fn
精度確定分類器斷言為正類的部分實際為正類記錄所佔的比例，即： pr
ecis
ion=
tptp
+fp pre
cisi
on=t
ptp+
fp
精度和召回率可以合併為乙個度量，稱為f1
f
1度量
原則上f
1 f
1為召回率和精度的調和均值 f1
=21r
+1p f1=
21r+
1p
乙個高的f1
f
1度量值確保精度和召回率都比較高。
二分類問題中混淆矩陣 PR以及AP評估指標
仿照上篇博文對於混淆矩陣 roc和auc指標的 本文簡要討論機器學習二分類問題中的混淆矩陣 pr以及ap評估指標 實際上，roc,auc 與 pr,ap 指針對具有某種相似性。按照循序漸進的原則，依次討論混淆矩陣 pr和ap 設定乙個機器學習問題情境 給定一些腫瘤患者樣本，構建乙個分類模型來 腫瘤是...
二分類問題中的混淆矩陣 ROC以及AUC評估指標
本篇博文簡要討論機器學習二分類問題中的混淆矩陣 roc以及auc評估指標 作為評價模型的重要參考，三者在模型選擇以及評估中起著指導性作用。按照循序漸進的原則，依次討論混淆矩陣 roc和auc 設定乙個機器學習問題情境 給定一些腫瘤患者樣本，構建乙個分類模型來 腫瘤是良性還是惡性，顯然這是乙個二分類問...
二分類混淆矩陣結構 從混淆矩陣到樣本不平衡分類指標
confusing matrix 也譯作混淆矩陣，是一項古老經典的統計技術，見下圖。classification代表分類器判斷的結果，positive 是 陽性 真等 negative 非 陰性 假等 condition代表事實情況，true 事實為真 false 事實是假 把classificat...