机器学习中的常用评价指标汇总

机器学习中的评价指标

简要介绍精度、精确率、召回率、P-R曲线、F1 值、TPR、FPR、ROC、AUC等指标，还有在生物领域常用的敏感性、特异性指标。

基础

在分类任务中，各指标的计算基础都来自于对正负样本的分类结果，用混淆矩阵表示为：

混淆矩阵.png

精度

• Accuracy

定义：(TP+TN)/(TP+FN+FP+TN)
即所有分类正确的样本占全部样本的比例

精确率

• Precision、查准率

定义：(TP)/(TP+FP)
即预测是正例的结果中，确实是正例的比例

召回率

• Recall、查全率

定义：(TP)/(TP+FN)
即所有正例的样本中，被找出的比例

P-R曲线

• PRC

定义：根据预测结果将预测样本排序，最有可能为正样本的在前，最不可能的在后，依次将样本预测为正样本，分别计算当前的精确率和召回率，绘制P-R曲线。

PR曲线.png

F1 值

定义：(2 * P * R)/(P + R)

TPR

• 真正例率，与召回率相同

定义：(TP)/(TP+FN)

FPR

• 假正例率

定义：(FP)/(TN+FP)

ROC

• 受试者工作特征

定义：根据预测结果将预测样本排序，最有可能为正样本的在前，最不可能的在后，依次将样本预测为正样本，分别计算当前的TPR和FPR，绘制ROC曲线。

ROC.png

AUC

• Area Under ROC Curve
  定义：ROC曲线下的面积

敏感性

• sensitivity

定义：TP / (TP + FN)
即有病（阳性）人群中，检测出阳性的几率。（检测出确实有病的能力）

特异性

• specificity

定义：TN / (TN + FP)
即无病（阴性）人群中，检测出阴性的几率。（检测出确实没病的能力）

参考资料

https://blog.csdn.net/b876144622/article/details/80009867
https://www.cnblogs.com/leezx/p/6105212.html