精确率(准确率、查准率、precision)、召回率(查全率、recall)、RoC曲线、AUC面积、PR曲线
来源:互联网 发布:新东方软件 编辑:程序博客网 时间:2024/05/16 14:34
1. TP, FP, TN, FN
- True Positives,TP:预测为正样本,实际也为正样本的特征数
- False Positives,FP:预测为正样本,实际为负样本的特征数
- True Negatives,TN:预测为负样本,实际也为负样本的特征数
- False Negatives,FN:预测为负样本,实际为正样本的特征
真实情况
预测结果
真
假
真
TP(真正例)
FN(假反例)
假
FP(假正例)
TN(真反例)
2. 精确率(precision),召回率(Recall)与特异性(specificity)
精确率(Precision)的定义如下:
召回率(Recall)的定义如下:
特异性(specificity)的定义如下:
有时也用一个F1值来综合评估精确率和召回率,它是精确率和召回率的调和均值。当精确率和召回率都高时,F1值也会高。严格的数学定义如下:
有时候我们对精确率和召回率并不是一视同仁,比如有时候我们更加重视精确率。我们用一个参数
如果
含有度量参数
Fβ
precision和recall的一对矛盾的度量,通常只有在一些简单的任务中,才可能使precision和recall都很高。
3. RoC曲线和PR曲线
在很多情况下,我们可根据学习器的预测结果对样例进行排序,排在前面的是学习器认为“最可能”是正例的样本,
排在最后的则是学习器认为“最不可能”是正例的样本。按此顺序逐个把样本作为整理进行预测,则每次可以计算
出当前的查全率、查准率,以P(查准率)为纵轴,R(查全率)为横轴作图,就得到了P-R曲线P-R图直观的显
示出学习器在样本总体上的查全率、查准率,在进行比较时,若一个学习器的P-R曲线被另一个完全包住,则可
断言后者优于前者,如图1,A优于C;如果两个学习器的P-R曲线发生了交叉,如A和B,则难以一般性的断言两
者孰优孰劣,只能在具体的P或R条件下进行比较。然而,在很多情形下,人们往往仍希望把学习器A和B比个高低,
这时一个比较合理的判断依据是比较曲线下面积的大小,它在一定程度上表征了学习器在P和R上取得相对“双高”
的比例,但这个值不太容易估算,因此人们设计了一些综合考虑P和R的度量。
平衡点(BEP)就是这样一个度量,是P=R时的取值,基于BEP,可任务A优于B。
以召回率(真正率)为y轴,以特异性(假正率)为x轴,我们就直接得到了RoC曲线。从召回率和特异性的定
义可以理解,召回率越高,特异性越小,我们的模型和算法就越高效。也就是画出来的RoC曲线越靠近左上越
好。如下图左图所示。从几何的角度讲,RoC曲线下方的面积越大越大,则模型越优。所以有时候我们用RoC
曲线下的面积,即AUC(Area Under Curve)值来作为算法和模型好坏的标准。
图1 P-R曲线
图2 ROC曲线
参考文献
http://www.cnblogs.com/pinard/p/5993450.html
周志华《机器学习》
- 精确率(准确率、查准率、precision)、召回率(查全率、recall)、RoC曲线、AUC面积、PR曲线
- 机器学习:准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
- 几个易混淆的概念(准确率-召回率,击中率-虚警率,PR曲线和mAP,ROC曲线和AUC)
- 几个易混淆的概念(准确率-召回率,击中率-虚警率,PR曲线和mAP,ROC曲线和AUC)
- 查准率-查全率precision recall(PR)曲线Matlab实现
- 准确率-召回率,击中率-虚警率,PR曲线和mAP,ROC曲线和AUC
- 精确率(Precision)、召回率(Recall)、F1-score、ROC、AUC
- 准确率(Precision查准率)召回率(Recall查全率)和F-Meansure、mAP
- 精确率与召回率,RoC曲线与PR曲线
- 精确率与召回率,RoC曲线与PR曲线
- 精确率 召回率 F1值 准确率 ROC曲线 AUC评价指标
- 精度(Precision)与召回率(Recall) 以及ROC曲线
- 精确率 , 召回率, ROC曲线, AUC 知识汇总
- 准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC、AUC
- 准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC、AUC
- 查准率查全率ROC曲线、PR曲线
- Recall(召回率) Precision(准确率) F-Measure E值 sensitivity(灵敏性) specificity(特异性)漏诊率 误诊率 ROC AUC
- Recall(召回率) Precision(准确率) F-Measure E值 sensitivity(灵敏性) specificity(特异性)漏诊率 误诊率 ROC AUC
- browser.cpp
- 阿里云Centos7使用yum安装MySQL5.6
- 直接拿来用,最火的.NET开源项目(beta)
- 算法基础之链表
- Java学习笔记(一)
- 精确率(准确率、查准率、precision)、召回率(查全率、recall)、RoC曲线、AUC面积、PR曲线
- 高性能mysql读书笔记1
- Windows下使用VisualSVN Server搭建SVN服务器
- STM32F412擦除内部FLASH时间过长
- 深入理解Java虚拟机1~内存区域与内存溢出
- tabwidget.h
- [POJ3130]How I Mathematician Wonder What You Are!(半平面交)
- JavaEE开发准备之安装软件
- phpstorm配置git