SVM二分类和多分类问题的关键指标

一、二分类问题

 

1、Accuracy

2、Precision：主要评估在预测为Positive的样本中，真实的Positive样本有多少；

3、Recall：在所有的Positive样本中，最终有多少Positive样本被预测成功；

（就1、2、3举个栗子：某医院开发一套诊断癌症的AI系统，若想评估其性能好坏，可以通过Accuracy、Precision以及Recall评估。Accuracy：在一堆人中有正常人也有癌症患者，有多少人被给出了正确的诊断结果？即正常人被诊断为正常人，癌症患者被诊断为癌症患者；Precision：被诊断为癌症患者的人中，实际有多少人是癌症患者；Recall：在一堆得了癌症的人中，实际有多少人被诊断出得了癌症）

4、F1-score：Precision和Recall的综合，Precision和Recall应该越高越好，也就是F1-score应该越高越好。

二、多分类问题

Accuracy是度量全局样本的预测情况。多分类问题中，每类都需要单独计算其Precision和Recall。（不能像二分类问题中直接计算Precision和Recall，应该单独计算每类的Precision和Recall）

举栗子说明：

如果需要开发一个动物识别系统，需要识别出图片中的动物是狗、猪还是猫

 如果想评估该识别系统的总体功能，必须考虑猫、狗、猪三个类别的综合预测性能。

综合该三个类别的Precision的方法有以下几种：

1、Macro-average方法

 

2、Micro-average方法

3、Weighted-average方法