在机器学习中,模型训练之后会有一个评估的标准,常用的评估标准又准确率,精准率,召回率和F值。
首先声明一个概念:如上图
- TP: 正确识别为正样本
- TN: 正确识别为负样本
- FP: 错误识别为正样本
- FN: 错误识别为负样本
以上:T是True,F为False, P是positive,N是negative
准确率:Accuracy,所有样本预测正确的比例,及预测正确的正负样本 / 预测的总数量 及只要你预测正确了,不管是正样本还是负样本,都算在内。 ACC = (TP+TN) /(TP+TN+FP+FN)。
精准率:Precision,只看预测为正样本的,有多少是真正的正样本。 Precision= TP / (TP+FP)
召回率:Recall(查全率)Recall= TP / (TP+FN)即正确识别为正样本的 / 正确识别为正样本的+错误识别为负样本的
F值:综合评价指标(F-Measure),P和R指标有时候会出现的矛盾的情况,这样就需要综合考虑他们,最常见的方法就是F-Measure(又称为F-Score)。 F-Measure是Precision和Recall加权调和平均:F = (α^2+1)*P*R/α^2(P+R), 当参数α=1时,就是最常见的F1,即F1 = (2*P*R)/(P+R)
评论