机器学习性能评估指标

混淆矩阵

True Positive(真正, TP)：将正类预测为正类数.

True Negative(真负 , TN)：将负类预测为负类数.

False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (Type I error).

False Negative(假负 , FN)：将正类预测为负类数 →→ 漏报 (Type II error).

1. 准确率(precision) ： 预测为正的样本中有多少是真正的正样本（你认为的该类样本，有多少被你猜对了）。
$$P=TP/(TP+FP)$$
2. 召回率(recall，TPR)： 样本中的正例有多少被预测正确了（该类样本有多少被找出来了）。
$$R=TP/(TP+FN)$$
3. 精度(accuracy)：样本量不均衡时慎用。
$$ACC=(TP+TN)/(TP+TN+FP+FN)$$
在信息检索领域，准确率和召回率又被称为查准率和查全率
查准率＝检索出的相关信息量 / 检索出的信息总量
查全率＝检索出的相关信息量 / 系统中的相关信息总量

4. 漏报率（FNR）：1-召回率
5. 误报率（FPR）: FP/（TN+FP）

参考资料：

1. 周志华-机器学习
2. 维基百科