机器学习性能评估指标

最近一直在改模型，关注的是 Accuracy、MSE；但是除此之外，还有不少评价指标。。。【笑哭】

• 分类
• 回归

分类

True Positive(真正, TP)：将正类预测为正类数.
True Negative(真负 , TN)：将负类预测为负类数.
False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (Type I error).
False Negative(假负 , FN)：将正类预测为负类数 →→ 漏报 (Type II error).

精确率(precision):

P=TPTP+FP P = T P T P + F P

准确率(accuracy):

ACC=TP+TNTP+TN+FP+FN A C C = T P + T N T P + T N + F P + F N

在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc 也有 99% 以上，没有意义。

召回率(recall,sensitivity,true positive rate) ：

R=TPTP+FN R = T P T P + F N

此外，还有 ∗∗F1值∗∗ ∗ ∗ F 1 值 ∗ ∗ ，是精确率和召回率的调和均值，

2F1=1P+1R 2 F 1 = 1 P + 1 R

F1=2TP2TP+FP+FN F 1 = 2 T P 2 T P + F P + F N

精确率和准确率都高的情况下，F1 值也会高。

【待续。。。】

【转自】机器学习性能评估指标