准确率(Auccary),精确率(Precision),召回率(Recall),F1,ROC,AUC说明

符号解释:

        TP  :  所有被正确预测为正的样例数

        FP  :  所有被错误预测为正的样例数

        TN  :  所有被正确预测为负的样例数

        FN  :  所有被错误预测为负的样例数

准确率:所有预测正确结果(无论正例负例)占据所有样例的比重。

Accurary = (TP + TN) / (TP + TN + FP + FN)

精确率(查准率):所有被正确预测为正的样例占所有被预测为正的样例的比重。

Precision = TP / (TP + FP)

召回率(查全率):所有被正确预测为正的样例占所有实际为正的样例的比重。

Recall = TP / (TP + FN)

F1(H_mean):F1值为算术平均数除以几何平均数,简单来说,F1越大,precision和recall的值越大,即F1越大越好。

2/F1 = (1/Prescion) + (1/Recall)

转换为:

F1 = 2TP  /  (2TP + FP + FN)

ROC曲线:接收者操作特征曲线,反映敏感性和特异性连续变量的综合指标,曲线上的每个点反映着对于同一信号刺激的感受性。理想情况为TPR接近1,FPR接近0,如图中(0,1)点。,曲线的弯折度越高,即越偏离45°对角线越理想。

准确率(Auccary),精确率(Precision),召回率(Recall),F1,ROC,AUC说明_第1张图片

AUC值:AUC为ROC曲线下的面积,AUC=1为完美分类器,大师绝大多数情况不会出现完美分类器,AUC = 0.5为随机猜想(类似抛硬币),AUC<0.5比随机猜想差,若总是出现反向预测则优于随机猜想,总结为AUC在大于0.5的情况下越大则分类正确率越高;AUC在低于0.5的情况下,若总能持续反预测,则优于随机猜想,在预测结果上可大于0.5概率。

    

参考链接:

    https://blog.csdn.net/u013063099/article/details/80964865

你可能感兴趣的:(深度学习,模型评估,机器学习,深度学习,算法)