机器学习 — 性能度量

2021-02-06 · 84次阅读 · 原创 · 人工智能

#机器学习

属性说明

上表中，1 代表正例，0 代表反例。

TP：正确预测为正例

TN：正确预测为反例

FP：错误预测为正例

FN：错误预测为反例

$TP + FN = P \\ TN + FP = N$

反映分类器或者模型对整体样本判断正确的能力，即能将阳性（正）样本positive判定为positive和阴性（负）样本negative判定为negative的正确分类能力。值越大，性能performance越好。

$ACC = \frac{TP+TN}{TP+FN+FP+TN} = \frac{TP + TN}{P + N}$

反映分类器或者模型正确预测正样本精度的能力，即预测的正样本中有多少是真实的正样本。值越大，性能performance越好。

$precision = \frac{TP}{TP+FP}$

反映分类器或者模型正确预测正样本全度的能力，增加将正样本预测为正样本，即正样本被预测为正样本占总的正样本的比例。值越大，性能performance越好。

$recall = \frac{TP}{TP+FN}=\frac{TP}{P}$

反映分类器或者模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例。值越小，性能performance越好。

$FAR = \frac{FP}{FP+TN}=\frac{FP}{N}$

反映分类器或者模型正确预测负样本纯度的能力，减少将正样本预测为负样本，即正样本被预测为负样本占总的正样本的比例。值越小，性能performance越好。

$MR = \frac{FN}{TP + FN} = \frac{FN}{P}$

$F1 = \frac{2*P*R}{P+R}=\frac{2*TR}{\text{样例总数}+TP-TN}$

$F_\beta=\frac{(1+\beta ^2) *P*R}{(\beta^2*P)+R}$

其中 $\beta$ 为正数，度量了查全率对准确率的相对重要性

本文参照：https://blog.csdn.net/liveshow021_jxb/article/details/111727883

标题：	机器学习 — 性能度量
链接：	https://www.fightingok.cn/detail/44
更新：	2022-09-18 22:33:57
版权：	本文采用 CC BY-NC-SA 3.0 CN 协议进行许可