笔记1：机器学习中的评估指标

2018-12-08 本文已影响0人 _叶辉

0.混淆矩阵

实际中的混淆矩阵也有可能Negative在前，Positive在后，具体如何定完全由人来决定

1.准确率(Accuracy)

$accuracy=\frac{所有预测结果符合实际的个数}{所有值个数}$

= $\frac{TP+TN}{TP+FN+FP+TN}$ = $\frac{a+n}{a+b+m+n}$

2.精度(Precision)(对某一预测指标而言)

$precision=\frac{预测结果与实际相符的个数}{预测结果的总个数}$

= $\frac{TP}{TP+FP}$ = $\frac{a}{a+m}$ $\iff$ $\frac{n}{b+n}$ = $\frac{TN}{TN+FN}$

3.召回率(查全率)(Recall)(对某一结果而言)

$recall=\frac{预测结果与实际相符的总个数}{实际结果的总个数}$

= $\frac{TP}{TP+FN}$ = $\frac{a}{a+b}$ $\iff$ $\frac{n}{m+n}$ = $\frac{TN}{FP+TN}$

4.F1-score

精度与召回率的调和平均数

$f1\_score=2*\frac{precision*recall}{precision+recall}$

5.Fβ-score(β的取值大小取决于评估指标偏向精度抑或是召回率)

$fβ\_score=(1+β^2 ) \frac{precision*recall}{β^2*precision+recall}$

当β=0时，f_β_score = precision

当β=∞时，f_β_score = recall

当β=1时，f_β_score = f1_score

6.R2-score(决定系数，拟合优度)

$r2\_score=1-\frac{预测数据与真实数据的方差}{实际数据与均值的方差}$ $=1-\frac{\sum\nolimits(y\_true-y\_pred)^2}{\sum\nolimits(y\_true-\bar {y})^2}$

一般地，r2_score $\in$ (0,1)，

若预测不准确，则 $\sum(y\_true-y\_pred)^2$ 就越大，r2_score趋于0；

若预测结果与实际越接近，则 $\sum(y\_true-y\_pred)^2$ 就越小，r2_score趋于1.

7.ROC曲线

上一篇下一篇

猜你喜欢

热点阅读