1.tp、tn、fp、fn
圓的部分認定為檢測後是陽性的，其餘部分為檢測為陰性的（但是現在的情況是檢測並不完全準確，有可能檢測時陰性，但實際上已經有新冠，只是無症狀）
現在只看園內，園的左半綠色部分意思是：實際上這個人是新冠患者；右辦粉色部分則為實際並不是新冠患者；那麼圓內綠色部分則為 『真陽』對應『正類檢索為正類』tp，粉色部分為『假陽』對應『正類檢索為負類』fn。
這樣我們就確定了圓內兩個部分的實際情況，以已確定的情況為標準看圓外，正方形左半部分檢測為陰，但實際是陽性，那麼他就為『假陰』對應『負類檢索為正類』fp；正方形右邊正好與左邊部分相反，檢測為陰，實際也是陰性，那麼就為『真陰』對應『負類檢索為負類』tn。
準確率、精準率、召回率、f1值
from sklearn.linear_model import logisticregression #邏輯回歸模型
from sklearn.metrics import accuracy_score #準確率（accuracy）
from sklearn.metrics import precision_score #精準率（precision）
from sklearn.metrics import recall_score #召回率（recall）
from sklearn.metrics import classification_report #分類報告（包含準確，精準，召回的結果）
from sklearn.metrics import roc_auc_score #計算auc，評估模型好壞
lr = logisticregression(solver=?)
#solver 選擇演算法
lr.fit(x_train,y_train)
#訓練模型
lr.predict(x_test)
#**lr.predict_proba(x_test)
#模型**正例的概率
roc_auc_score(y_test,lr.predict_proba(x_test)[:
,1])
#放入真實的結果和模型**出的概率
模型評價指標 精確率，準確率，召回率，F1值
自然語言處理 nlp 機器學習 ml 資訊檢索 ir 等領域,評估 evaluation 是乙個必要的工作,而其評價指標往往有如下幾點 準確率 accuracy 精確率 precision 召回率 recall 和f1 measure。現在我先假定乙個具體場景作為例子。假如某個班級有男生80人,女生...
準確率 精確率 召回率
準確率 accuracy 精確率 precision 和召回率 recall 2 是資訊檢索，人工智慧，和搜尋引擎的設計中很重要的幾個概念和指標。中文中這幾個評價指標翻譯各有不同，所以一般情況下推薦使用英文。先假定乙個具體場景作為例子。假如某個班級有男生80人,女生20人,共計100人.目標是找出所...
精確率 召回率 準確率
精確率是針對我們 結果而言的，它表示的是 為正的樣本中有多少是真正的正樣本。那麼 為正就有兩種可能了，一種就是把正類 為正類 tp 另一種就是把負類 為正類 fp 也就是 召回率是針對我們原來的樣本而言的，它表示的是樣本中的正例有多少被 正確了。那也有兩種可能，一種是把原來的正類 成正類 tp 另一...