常見模型評估方法

幾個經常使用的術語

True Positive   （真正, TP）      被模型預測爲正的正樣本；能夠稱做判斷爲真的正確率
True Negative （真負 , TN）    被模型預測爲負的負樣本 ；能夠稱做判斷爲假的正確率
False Positive  （假正, FP）      被模型預測爲正的負樣本；能夠稱做誤報率
False Negative（假負 , FN）    被模型預測爲負的正樣本；能夠稱做漏報率

評價指標

True Positive Rate（真正率 , TPR）或靈敏度（sensitivity）

TPR = TP /（TP + FN）
正樣本預測結果數 / 正樣本實際數

True Negative Rate（真負率 , TNR）或特指度（specificity）
TNR = TN /（TN + FP）
負樣本預測結果數 / 負樣本實際數

False Positive Rate （假正率, FPR）
FPR = FP /（FP + TN）
被預測爲正的負樣本結果數 /負樣本實際數

False Negative Rate（假負率 , FNR）
FNR = FN /（TP + FN）
被預測爲負的正樣本結果數 / 正樣本實際數

精確度（Precision）：
P = TP/(TP+FP) ; 反映了被分類器斷定的正例中真正的正例樣本的比重

準確率（Accuracy）
A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN);

反映了分類器統對整個樣本的斷定能力——能將正的斷定爲正，負的斷定爲負

召回率(Recall)，也稱爲 True Positive Rate:
R = TP/(TP+FN) = 1 - FN/T; 反映了被正確斷定的正例佔總的正例的比重