机器学习-精确率与召回率

机器学习-精确率与召回率

 

数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)等。

 

二元分类器：

 

混淆矩阵

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

 

1、准确率（Accuracy）

准确率(accuracy)计算公式为：

 

2、错误率（Error rate）

错误率则与准确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(TP+TN+FP+FN)，对某一个实例来说，分对与分错是互斥事件，所以accuracy =1 - error rate。

3、灵敏度（sensitive）

sensitive = TP/P，表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力。

4、特效度（sensitive）

specificity = TN/N，表示的是所有负例中被分对的比例，衡量了分类器对负例的识别能力。

5、精确率、精度（Precision）

精确率(precision)定义为：

表示被分为正例的示例中实际为正例的比例。

6、召回率（recall）

召回率是覆盖面的度量，度量有多个正例被分为正例，recall=TP/(TP+FN)=TP/P=sensitive，可以看到召回率与灵敏度是一样的。

 

多元分类器：

应用多分类问题，把每个类别单独视为”正“，所有其它类型视为”负“