前面介紹了機器學習中分類模型的精確率(precision)和召回率(recall)評估指標。對於precision和recall，雖然從計算公式來看，並沒有什麼必然的相關性關係，但是，在大規模資料集合中，這2個指標往往是相互制約的。理想情況下做到兩個指標都高當然最好，但一般情況下，precision高，recall就低，recall高，precision就低。所以在實際中常常需要根據具體情況做出取捨，例如一般的搜尋情況，在保證召回率的條件下，盡量提公升精確率。而像癌症檢測、**檢測、金融欺詐等，則在保證精確率的條件下，盡量提公升召回率。
所以，很多時候我們需要綜合權衡這2個指標，這就引出了乙個新的指標f-score。這是綜合考慮precision和recall的調和值。 f−
scor
e=(1
+β2)
⋅pre
cisi
on⋅r
ecal
lβ2⋅
prec
isio
n+re
call
f−score=(1+β2)⋅precision⋅recallβ2⋅precision+recall當β
=1β=1的值大於1。
舉個例子：癌症檢查資料樣本有10000個，其中10個資料祥本是有癌症，其它是無癌症。假設分類模型在無癌症資料9990中**正確了9980個，在10個癌症資料中**正確了9個，此時真陽=9，真陰=9980，假陽=10，假陰=1。
那麼：
accuracy = (9+9980) /10000=99.89%
precision=9/19+10)= 47.36%
f1-score=2×(47.36% × 90%)/(1×47.36%+90%)=62.07%
f2-score=5× (47.36% × 90%)/(4×47.36%+90%)=76. 27%
前面介紹了機器學習中分類模型的精確率(precision)和召回率(recall)評估指標。對於precision和recall，雖然從計算公式來看，並沒有什麼必然的相關性關係，但是，在大規模資料集合中，這2個指標往往是相互制約的。理想情況下做到兩個指標都高當然最好，但一般情況下，precision高，recall就低，recall高，precision就低。所以在實際中常常需要根據具體情況做出取捨，例如一般的搜尋情況，在保證召回率的條件下，盡量提公升精確率。而像癌症檢測、**檢測、金融欺詐等，則在保證精確率的條件下，盡量提公升召回率。
分類模型的評估方法簡介
一 混淆矩陣 混淆矩陣 confusion matrix 於資訊理論，在機器學習 人工智慧領域，混淆矩陣 confusion matrix 又稱為可能性 或是錯誤矩陣，是一種用矩陣呈現的視覺化工具，用於有監督學習，無監督學習通常用匹配矩陣 matching matrix 其名字源自它容易表明多個類是...
分類模型的評估
1.混淆矩陣 對於乙個分類器 二分類 結果和真實情況總共存在四種情況，值分為正類 負類，真實值分分為正類 父類，兩兩組合，共有四種情況，如下所示，即組成乙個混淆矩陣 針對多分類問題，真實情況有n類，情況有n類，所以其混淆矩陣為nxn 準確率即為所有 正確的樣本 樣本總數 即 accuracy tp ...
模型評估的方法
一 回歸模型評估 1 mse 均方誤差 sklearn.metrics.mean squared error y test,y predict 二 分類模型評估 1 accuracy score分類準確率分數 正確的樣本數目佔總體的比例 正確的樣本數目 正例 正確的 負例 正確的樣本數 注 如果乙個...