吴恩达机器学习（九）Precision、Recall、F-score、TPR、FPR、TNR、FNR、AUC、Accuracy

目录

0. 前言

1. Precision、Recall、F-score（F-measure）

2. TPR、FPR、TNR、FNR、AUC

3. Accuracy

---

学习完吴恩达老师机器学习课程的机器学习系统设计，简单的做个笔记。文中部分描述属于个人消化后的理解，仅供参考。

如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~

0. 前言

针对二分类的结果，对模型进行评估，通常有以下几种方法：

• Precision、Recall、F-score（F1-measure）
• TPR、FPR、TNR、FNR、AUC
• Accuracy

初始作如下定义：

		真实结果
		1	0
预测结果	1	TP（真阳性）	FP（假阳性）
	0	FN（假阴性）	TN（真阴性）

• TP（True Positive）：预测结果为正类，实际上就是正类
• FP（False Positive）：预测结果为正类，实际上是反类
• FN（False negative）：预测结果为反类，实际上是正类
• TN（True negative）：预测结果为反类，实际上就是反类

1. Precision、Recall、F-score（F-measure）

Precision（准确率）可以理解为预测结果为正类中有多少是正类，给出定义如下：

Recall（召回率）可以理解为真实结果为正类中有多少被预测成正类，给出定义如下：

F-score（F值）又称作F1-measure，是综合考虑Precision和Recall的指标，给出定义如下：

2. TPR、FPR、TNR、FNR、AUC

TPR（True Positive Rate）可以理解为所有正类中，有多少被预测成正类（正类预测正确），即召回率，给出定义如下：

FPR（False Positive Rate）可以理解为所有反类中，有多少被预测成正类（正类预测错误），给出定义如下：

TNR（True Negative Rate）可以理解为所有反类中，有多少被预测成反类（反类预测正确），给出定义如下：

FNR（False Negative Rate）可以理解为所有正类中，有多少被预测成反类（反类预测错误），给出定义如下：

以FPR（False Positive Rate）为横坐标，TPR（True Positive Rate）为纵坐标，可以做如下图（图源：百度百科），称作ROC曲线：

ROC曲线又称作“受试者工作特性曲线”，很明显，越靠近左上角的点，效果越好。

AUC（Area Under Curve）定义为ROC曲线下的面积，很明显，这个值越大越好。 

3. Accuracy

Accuracy（精确率）可以理解为所有实验中，分类正确的个数，给出定义如下：

---

如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~