1、 準確率、精確率、召回率、f1-score
我們以分類演算法為例，假設班裡有50個同學，其中男生30個，女生20個，我們根據身高、體重、頭髮長度、聲音分貝等等特徵，想找到所有女生，比如已經有這樣乙個分類器了，得到結果如下：
這裡我們是要找到所有女同學，故把女同學作為正樣本（positive），男同學作為負樣本（negative），**結果正確為true，**結果錯誤為false。基於此，我們結合上面的資料給出如下定義和值：
tp(true positive): 真實是女生，**結果也是女生的數量（18個）
fn(false negative): 真實是女生，**結果是男生的數量（2個）
tn(true negative): 真實是男生，**結果也是男生（25個）
fp(false postive): 真實是男生，**結果是女生（5個）
準確率(accuracy)： 衡量所有樣本被分類準確的比例
accuracy=(tp+tn)/(tp+fp+tn+fn)
精確率(precision)： 也叫查準率，衡量正樣本的分類準確率，就是說倍**為正樣本的樣本有多少是真的正樣本。
precision=tp/(tp+fp)
召回率(recall)： 表示分類正確的正樣本佔總的分類正確樣本的比例
recall=tp/(tp+fn)
f1-score： 精確率和召回率的調和平均
2f/1=1/p+1/r⟹f1=2pr/(p+r)=2tp/(2tp+fp+tn)
機器學習分類模型效果評估指標
機器學習分類模型效果評估指標 準確率 精確率 召回率 f1 score 1 準確率 精確率 召回率 f1 score 我們以分類演算法為例，假設班裡有50個同學，其中男生30個，女生20個，我們根據身高 體重 頭髮長度 聲音分貝等等特徵，想找到所有女生，比如已經有這樣乙個分類器了，得到結果如下 這裡...
模型評估指標
模型的評價指標和評價體系是建模過程中的乙個重要環節，針對不同型別的專案和模型，要合理選擇不同的評價指標和體系。下面先給出二分類模型中 值和實際值的混淆矩陣 confusion matrix 和定義，然後介紹幾種評價指標。二分類模型的 值與實際值的結果 tp true positive 模型 為正例 ...
模型評估指標
label 0 label 1 prcdict 0 tp真陽性 fn假陰性 漏診 predict 1 fn假陰性 誤診 tn真陰性 acc tp tn tp fn fp tn 被正確 的樣本 所有樣本 用來衡量模型的漏診率 sensitive tp tp fn tp ground ture p 真陽...