机器学习概念笔记(1)——混淆矩阵、Precision、Recall、F-score

转载请注明作者和出处:https://blog.csdn.net/qq_28810395

进入机器学习,必定会进行建模,对这些模型性能进行度量,便引入很多性能指标进行衡量,根据其性能指标,逐渐优化我们的模型。

1、混淆矩阵

混淆矩阵我们也称为误差矩阵,利用N×N的矩阵进行进度评价。
机器学习概念笔记(1)——混淆矩阵、Precision、Recall、F-score_第1张图片
TP(True Positive): 实际为正样本,预测也为正样本,预测正确。(真阳性)
FN(False Negative):实际为正样本,预测为负样本,预测错误。(假阴性)
FP(False Positive):实际为负样本,预测为正样本,预测错误。(假阳性)
TN(True Negative):实际为负样本,预测也为负样本,预测正确。(真阴性)

2、准确率、精准率、召回率

Accuracy(准确率)是分类指标中最初级的指标,是代表了预测正确结果的样本占总样本的百分比,给出定义如下:
机器学习概念笔记(1)——混淆矩阵、Precision、Recall、F-score_第2张图片
利用其可以判断模型的正确率,但由于受样本不平衡,导致所计算的准确率拥有很大水分,导致结果不正确,所以下述两个指标正是弥补其的不足之处。
Precision(精准率)又称为查准率,代表了预测为正样本中实际是正样本的百分比,给出定义如下:
机器学习概念笔记(1)——混淆矩阵、Precision、Recall、F-score_第3张图片
*相比于准确率,精准率代表的是正样本中预测正确的概率,而准确率整个模型在全部样本中的准确概率。
Recall(召回率)又称为查全率,代表实际为正样本中被预测为正样本的百分比,给出定义如下:
机器学习概念笔记(1)——混淆矩阵、Precision、Recall、F-score_第4张图片
进行最好模型的选定,常常要选择查准率(精准率)和查全率(召回率)都非常高的点,但是如图所示,两者实际是一个矛盾体(反比曲线),无法形成正比提高,为此要选择一个两者都高的平衡点。所以选择其最好的平衡点(阈值)就需要一个新的指标F值。
机器学习概念笔记(1)——混淆矩阵、Precision、Recall、F-score_第5张图片

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:
机器学习概念笔记(1)——混淆矩阵、Precision、Recall、F-score_第6张图片
参考:

  1. 机器学习,周志华
  2. https://blog.csdn.net/yuxiaosmd/article/details/83046162?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.compare&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.compare
  3. https://blog.csdn.net/q18421896/article/details/86569296

你可能感兴趣的:(机器学习概念笔记)