最近看**，又發現乙個容易忘記的點，網路的評價指標，就見到乙個乙個的縮寫：
ac、ja、di、sp、se，dc人是懵的，在這裡寫上乙個筆記，方便自己檢視！
accuracy 又稱準確率，**中正確的部分佔總**的比重
a c=
(tp+
tn)/
(tp+
tn+f
p+fn
)ac = (tp+tn)/(tp+tn+fp+fn)
ac=(tp
+tn)
/(tp
+tn+
fp+f
n)jacarrd score, 又叫做傑卡德相似係數，指**值與ground truth的交集比上並集的值
j a=
tp/(
tp+f
p+fn
)ja = tp/(tp+fp+fn)
ja=tp/
(tp+
fp+f
n)dice （di）與ja之間的關係
j a=
di/(
2−dc
)ja = di / (2-dc)
ja=di/
(2−d
c)d i=
2∗ja
/(1+
ja
)di = 2*ja / (1+ja)
di=2∗j
a/(1
+ja)
ja代表jaccard或iou，dc代表dice。
所以，di=
2∗tp
/(2∗
tp+f
p+fn
)di = 2 *tp / (2*tp + fp+fn)
di=2∗t
p/(2
∗tp+
fp+f
n)dice = f1
精準度 spe
cifi
city
=tp/
(tp+
fp
)specificity= tp / (tp+fp)
specif
icit
y=tp
/(tp
+fp)
敏感度 sen
siti
vity
=tp/
（tp+
fn
）sensitivity = tp / （tp+fn）
sensit
ivit
y=tp
/（tp
+fn）
miou = jaccard
模型評價指標
機器學習模型中常見的是分類問題，分類模型的評價指標主要有 1 精確率 2 召回率 3 f值 4 auc值 roc曲線 分類問題可劃分成二分類和多分類問題，其中二分類最為常見，多分類問題大都也是轉化成二分類問題求解，因此本文主要基於二分類模型進行模型評價指標的分析。1 給定標記好的模型訓練資料，經分類...
回歸模型評價指標
回歸模型應用場景 趨勢分析 投資風險分析等 1 mae mean absolute error 平均絕對差值 2 mse mean square error 均方誤差，是回歸任務最常用的效能度量，最小二乘估計也是使用均方誤差 3 log對數損失函式 邏輯回歸 交叉熵損失，其實是由最大似然估計推導而來...
推薦模型評價指標 AUC
推薦中常用的模型評價指標有準確率，召回率，f1 score和auc。1.什麼是auc auc指標是乙個 0,1 之間的實數，代表如果隨機挑選乙個正樣本和乙個負樣本，分類演算法將這個正樣本排在負樣本前面的概率。值越大，表示分類演算法更有可能將正樣本排在前面，也即演算法準確性越好。2.auc的計算方法 ...