机器学习分类问题指标理解——准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积

机器学习分类问题指标理解

    • 0. 一个例子
    • 1.准确率(Accuracy)
    • 2.精确率(Precision)
    • 3.召回率(Recall)
    • 4.F1-score
    • 5.ROC曲线(Receiver Operating Characteristic Curve)
    • 6.P-R曲线(Precision-Recall Curve)
    • 7.AUC面积(Area Under ROC Curve)

0. 一个例子

在分类(classification)问题的模型评估中,常用的评测指标有以下7个:

  1. 准确率(accuracy)
  2. 精确率(precision)
  3. 召回率(recall)
  4. F1-Score
  5. ROC曲线
  6. P-R曲线
  7. AUC面积

下面,通过著名的鸢尾花分类的例子来具体说明。

鸢尾花的特征有4个:

  1. Sepal Length(花萼长度)
  2. Sepal Width(花萼宽度)
  3. Petal Length(花瓣长度)
  4. Petal Width(花瓣宽度)

鸢尾花的种类有3种:

  1. Iris Setosa(山鸢尾)
  2. Iris Versicolour(杂色鸢尾)
  3. Iris Virginica(维吉尼亚鸢尾)

数据集中共150条数据,每类鸢尾花有50条数据。
选择KNN算法进行分类(欧式距离,K=8),得到模型的分类结果如下表所示(混淆矩阵[confusion matrix]):

实际为Iris-versicolor 实际为Iris-virginica 实际为Iris-setosa
预测为Iris-versicolor 49 4 1
预测为Iris-virginica 1 46 0
预测为Iris-setosa 0 0 49

几个定义:

  • TP(True Positive,真正):将正类预测为正类
  • TN(True Negative,真负):将负类预测为负类
  • FP(False Positive,假正):将负类预测为正类
  • FN(False Negative,假负):将正类预测为负类

可以看出,前两个是我们期望出现的情况,后两个是期望不出现的情况。


1.准确率(Accuracy)

定义:正确分类的样本数与总样本数之比

a c c u r a c y = T P + T N T P + T N + F P + F N accuracy=\frac {TP+TN}{TP+TN+FP+FN} accuracy=TP+TN+FP+FNTP+TN

在上面的例子中,

a c c u r a c y = 49 + 46 + 49 49 + 4 + 1 + 1 + 46 + 0 + 0 + 0 + 49 × 100 % = 96.00 % accuracy=\frac {49+46+49}{49+4+1+1+46+0+0+0+49}×100\%=96.00\% accuracy=49+4+1+1+46+0+0+0+4949+46+49×100%=96.00%

  准确率的概念很好理解,就是分类正确的比例,是一个非常常用的评估指标。但是,准确率高并不代表分类算法就好,当各个类别的样本分布很不均匀时,即使准确率达到99%也没用。
  还是用上面的例子,如果Iris Setosa的样本数为98,Iris Versicolour和Iris Virginica的样本数都为1,那么,分类器只需要把结果全部置为Iris Setosa,就可以获得98%的正确率。所以,只靠准确率来评价一个模型的优劣是不全面的。

2.精确率(Precision)

定义:预测为正类的结果中,正确个数的比例

p r e c i s i o n = T P T P + F P precision=\frac {TP}{TP+FP} precision=TP+FPTP

在上面的例子中,每一的数据可以计算一个精确率:

p r e c i s i o n ( I r i s − v e r s i c o l o r ) = 49 49 + 4 + 1 × 100 % = 90.74 % precision(Iris-versicolor)=\frac {49}{49+4+1}×100\%=90.74\% precision(Irisversicolor)=49+4+149×100%=90.74%
p r e c i s i o n ( I r i s − v i r g i n i c a ) = 46 1 + 46 × 100 % = 97.87 % precision(Iris-virginica)=\frac {46}{1+46}×100\%=97.87\% precision(Irisvirginica)=1+4646×100%=97.87%
p r e c i s i o n ( I r i s − s e t o s a ) = 49 49 × 100 % = 100.00 % precision(Iris-setosa)=\frac {49}{49}×100\%=100.00\% precision(Irissetosa)=4949×100%=100.00%
精确率又称查准率,其意义是判断模型的结果是否“找得对”。

3.召回率(Recall)

定义:实际为正类的样本中,正确判断为正类的比例

r e c a l l = T P T P + F N recall=\frac {TP}{TP+FN} recall=TP+FNTP

在上面的例子中,每一的数据可以计算一个召回率:

r e c a l l ( I r i s − v e r s i c o l o r ) = 49 49 + 1 × 100 % = 98.00 % recall(Iris-versicolor)=\frac {49}{49+1}×100\%=98.00\% recall(Irisversicolor)=49+149×100%=98.00%
r e c a l l ( I r i s − v i r g i n i c a ) = 46 46 + 4 × 100 % = 92.00 % recall(Iris-virginica)=\frac {46}{46+4}×100\%=92.00\% recall(Irisvirginica)=46+446×100%=92.00%
r e c a l l ( I r i s − s e t o s a ) = 49 1 + 49 × 100 % = 98.00 % recall(Iris-setosa)=\frac {49}{1+49}×100\%=98.00\% recall(Irissetosa)=1+4949×100%=98.00%
召回率又称查全率,其意义是判断模型的结果是否“找得全”。

4.F1-score

精确率和召回率是一对矛盾的指标,因此需要放到一起综合考虑。F1-score是精确率和召回率的调和平均值。

2 F 1 = 1 P + 1 R \frac {2}{F_1}=\frac {1}{P}+\frac {1}{R} F12=P1+R1

其中,P就是presicion,R就是recall,公式前面已给出。

故:

F 1 = 2 P R P + R = 2 T P 2 T P + F P + F N F_1=\frac {2PR}{P+R}=\frac {2TP}{2TP+FP+FN} F1=P+R2PR=2TP+FP+FN2TP

上式是当精确率和召回率的权值都为1的情况,也可以加上一个不为1的权值 β \beta β

F β = 1 1 + β 2 ( 1 P + β 2 R ) = ( 1 + β 2 ) P R β 2 P + R F_\beta=\frac {1}{1+\beta^2}(\frac {1}{P}+\frac {\beta^2}{R})=\frac {(1+\beta^2)PR}{\beta^2P+R} Fβ=1+β21(P1+Rβ2)=β2P+R(1+β2)PR
β > 1 \beta>1 β>1时,召回率有更大影响;
β < 1 \beta<1 β<1时,精确率有更大影响。

5.ROC曲线(Receiver Operating Characteristic Curve)

再来2个公式:

  • 假正率(False Positive Rate, FPR)
  • 真正率(True Positive Rate, TPR)

F P R = F P F P + T N FPR=\frac {FP}{FP+TN} FPR=FP+TNFP

T P R = T P F P + F N TPR=\frac {TP}{FP+FN} TPR=FP+FNTP
显然,FPR越低越好,TPR越高越好
在ROC曲线中,横坐标是FPR,纵坐标是TPR,下图就是例子中versicolor类的ROC曲线:
机器学习分类问题指标理解——准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积_第1张图片

图1:ROC曲线

6.P-R曲线(Precision-Recall Curve)

在P-R曲线中,横坐标是recall,纵坐标是precision,下图就是例子中versicolor类的P-R曲线:
机器学习分类问题指标理解——准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积_第2张图片

图2:P-R曲线

7.AUC面积(Area Under ROC Curve)

AUC面积表示ROC曲线下方的面积大小,通过积分就可以计算。AUC越大越好。
由于ROC曲线一般在 y = x y=x y=x直线的上方,故AUC一般为0.5~1.0。


以上是7个评估指标的简单理解,后面会对最后3个指标再做详细介绍。
To Be Continued…


欢迎关注我的微信公众号:

你可能感兴趣的:(机器学习)