php红色酒类食品企业网站源码,广东建设网证件查询,线上营销和线下营销,青岛做网站皆赴青岛博采一、混淆矩阵 基于样本预测值和真实值是否相符#xff0c;可得到4种结果#xff1a;
TP(True Positive)#xff1a;样本预测值与真实值相符且均为正#xff0c;即真阳性
FP(False Positive)#xff1a;样本预测值为正而真实值为负#xff0c;即假阳性
FN(False Negative…一、混淆矩阵 基于样本预测值和真实值是否相符可得到4种结果
TP(True Positive)样本预测值与真实值相符且均为正即真阳性
FP(False Positive)样本预测值为正而真实值为负即假阳性
FN(False Negative)样本预测值为负而真实值为正即假阴性
TN(True Negative)样本预测值与真实值相符且均为负即真阴性
总结第一个字母代表预测值与真实值是否相符True/False 第二个字母代表预测值是正还是负Positive/Negative 二、Metric
0. TPRRecall、FPR TPR真阳性率也称为灵敏度Sensitivity或召回率Recall表示的是在所有真实为正的样本中被正确预测为正的比例。其计算公式为 FPR假阳性率表示在所有真实为负的样本中被错误预测为正的比例。其计算公式为 1. ACC准确率 ACC即为预测正确预测值与真实值相符的概率。
2. Precision精确率
精确度以预测结果为判断依据预测为正例的样本中预测正确的比例。 精确度还有一个名字叫做“查准率”我们关心的主要部分是正例所以查准率就是相对正例的预测结果而言正例预测的准确度。直白的意思就是模型预测为正例的样本中其中真正的正例占预测为正例样本的比例用此标准来评估预测正例的准确度。
3. F1 值
F1值就是中和了精确率Precision和召回率Recall的指标 4. ROC
ROC 曲线用于评价二分类模型性能。它通过显示真阳性率TPR与假阳性率FPR之间的权衡来帮助我们理解模型的分类能力。
绘制 ROC 曲线的步骤 选择阈值从 0 到 1 的不同阈值。 计算 TPR 和 FPR对于每个阈值计算相应的 TPR 和 FPR。 绘制曲线以 FPR 为横轴TPR 为纵轴绘制 ROC 曲线。
5. AUC
AUC即曲线下面积Area Under Curve是ROC曲线下面积的一个数值表示。它提供了一个定量的指标用来衡量分类模型的整体表现。AUC 值范围从 0 到 1值越大表示模型性能越好。 三、参考
一文彻底理解机器学习 ROC-AUC 指标-CSDN博客
