机器学习中精准度、召回率、准确率、F1 Score、G分数计算学习笔记

目录

1、基本符号表示

2、类别下的精准度计算（precision）

3、类别下的召回率计算（recall）

4、准确率的计算（accuracy）

5、F1 Score

6、G分数

---

1、基本符号表示

        TP （true positive）：预测结果正确，将本类事物预测为本类标签；

        FP（false positive）：预测错误，比如，将非本类事物预测为本类标签。 

        FN（false negative）：预测错误，比如，将本类事物预测为其他类标签。

        TN（true negative）：预测正确，将非本类事物预测为对应的类标签（不是本类的标签）。

2、类别下的精准度计算（precision）

        指被分类器（classifier）划分为正样例（本类标签）中的正样本的比重值。

3、类别下的召回率计算（recall）

        指的是被预测为正样例（本类标签）占总的标签（本类标签+其他类标签）的比重值。

4、准确率的计算（accuracy）

 

5、F1 Score

        F1分数，也是分类的一个指标。表示精准度和召回率的调和平均值，其取值范围为：

0<= F1 <= 1

        F1 的计算方法如下（表示一个类别的F1 Score的计算）：

        F1在Python的sklearn包中有直接函数可以被调用，原函数sklearn.metrics.f1_score(参数)

        通常情况下，利用各个类别下的F1 Score的均值作为评价结果，计算方法：

        F1 表示精准率和召回率同等重要。

        F2 表示召回率的重要程度是精准率的2倍。

        F0.5 表示召回率的重要程度是精准率的0.5倍。

        如下通用公式：

6、G分数

        G分数也是评估精准率和召回率关系的一个指标，被定义为召回率和精准率的几何平均数。

计算公式为：