评价标准:精确率-召回率-F1

精确率

精确率(precision)是针对我们预测结果而言的。
表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了,一种就是把正类预测为正类(TP),另一种就是把负类预测为正类(FP),也就是:预测正确的样本占所有预测样本的概率
在这里插入图片描述

召回率

召回率(recall)是针对我们原来的样本而言的
表示的是样本中的正例有多少被预测正确了。那也有两种可能,一种是把原来的正类预测成正类(TP),另一种就是把原来的正类预测为负类(FN)。
在这里插入图片描述

其实就是分母不同,一个分母是预测为正的样本数,另一个是原来样本中所有的正样本数

F1-Score

(precision:精确率),(recall:召回率)
从上面的P和R的公式中,很容易发现,两者的存在可能会有一定的矛盾,很难实现双高的情况,为了兼顾这两个指标,我们提出了F1-Score:
在这里插入图片描述

F1-Score综合了precision和recall,其值越高,通常表示算法性能越好。

举个栗子:

假设我们手上有60个正样本,40个负样本,我们要找出所有的正样本,系统查找出50个,其中只有40个是真正的正样本,计算上述各指标。
● TP: 将正类预测为正类数 40
● FN: 将正类预测为负类数 20
● FP: 将负类预测为正类数 10
● TN: 将负类预测为负类数 30

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
精确率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3

你可能感兴趣的:(NLP,nlp)