機器學習 F1-Score 精確率 - P 準確率 -Acc 召回率 - R

準確率 召回率 精確率 :spa

  準確率->accuracy, 精確率->precision. 召回率-> recall. 三者很像,可是並不一樣,簡單來講三者的目的對象並不相同。xml

  大多時候咱們須要將三者放到特定的任務環境中才會更加明顯的感受到三者的差別。對象

  在介紹這些以前,咱們先回顧一下咱們的混淆矩陣。blog

  • True Positive(真正, TP):將正類預測爲正類數.
  • True Negative(真負 , TN):將負類預測爲負類數.
  • False Positive(假正, FP):將負類預測爲正類數 → 誤報 (Type I error).
  • False Negative(假負 , FN):將正類預測爲負類數 → 漏報 (Type II error)

1)精確率:  ci

  實際上很是簡單,精確率是對咱們的預測結果而言的指標。其做用的主要範圍主要是在咱們的預測結果中。對於實際結果集的大小,並不在精確率的考慮中。
P  = \frac{TP}{TP+FP}it

2)召回率io

  召回率是針對咱們原來的樣本而言的,它表示的是樣本中的正例有多少被預測正確了。那也有兩種可能,一種是把原來的正類預測成正類(TP),另外一種就是把原來的正類預測爲負類(FN)。
R = \frac{TP}{TP+FN}class

3)準確率(accuracy) im

  準確率(accuracy) =(TP+TN)/(TP+FN+FP+TN) call

 由上面三個公式能夠看出來,咱們三個指標所面向的目標集是不一樣的。其中很明顯看出來P是面向咱們所選中的XP樣本,也就是說是面向咱們的預測結果,而召回率面向的是以前中應該本選中的樣本,也就是自己的應該被選中的樣本集而言。而準確率則是面向的全部不應選中和應該被選中的樣本。

4)F1-Score:

  從上面的P和R的公式中,很容易發現,二者的存在可能會有必定的矛盾,很難實現雙高的狀況,爲了兼顧這兩個指標,咱們提出了F1-Score:

    

  其中還出現了其餘的F系參數,如F貝塔等等。

相關文章
相關標籤/搜索