分类问题的精确率和召回率 (准确率)
2015-07-23 15:17
309 查看
参考李航的统计学习方法
TP--将正类预测为正类数;
FN--将正类预测为负类数;
FP--将负类预测为正类数;
TN--将负类预测为负类数;
准确率(accuracy)
A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN); 反映了分类器统对整个样本的判定能力——能将正的判定为正,负的判定为负
精确率(precision)定义为
P=TP/(TP+FP);反映了被分类器判定的正例中真正的正例样本的比重
召回率(recall)定义为
R=TP/(TP+FN);反映了被正确判定的正例占总的正例的比重
F1的值
2/F1=1/P+1/R
对100条数据进行分类,100条数据中正的有70条,反的有30条,分类结果判定正的有50条(其中实际正的40条,反的10条),判定反的有50条(实际正的30条,反的20条)。
精确率为
40/(40+10)
召回率为
40/(40+30)
TP--将正类预测为正类数;
FN--将正类预测为负类数;
FP--将负类预测为正类数;
TN--将负类预测为负类数;
准确率(accuracy)
A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN); 反映了分类器统对整个样本的判定能力——能将正的判定为正,负的判定为负
精确率(precision)定义为
P=TP/(TP+FP);反映了被分类器判定的正例中真正的正例样本的比重
召回率(recall)定义为
R=TP/(TP+FN);反映了被正确判定的正例占总的正例的比重
F1的值
2/F1=1/P+1/R
对100条数据进行分类,100条数据中正的有70条,反的有30条,分类结果判定正的有50条(其中实际正的40条,反的10条),判定反的有50条(实际正的30条,反的20条)。
精确率为
40/(40+10)
召回率为
40/(40+30)
相关文章推荐
- C++模拟登录web的一点点体会
- OSS阿里云文件上传 demo。
- shell命令自动分区提示
- svn 更新时去除.settings文件
- C++/C试题
- 有关MFC消息映射表
- Python-goose:用于文章提取的Python库
- 反掩码简单计算
- PHP进口Excel至MySQL方法
- CSS学习笔记之框模型
- OpenSSH
- x64进程如何获得wow64进程的PEB
- Linux平台上用C++实现多线程互斥锁
- STM32f103的触摸屏的设置与使用
- https 双向认证
- Maven中配置maven-compiler-plugin插件
- 平衡的括号(Parentheses Balance,UVa 673)
- 数据结构中的基本概念
- https与http的区别
- Java并发编程:Callable、Future和FutureTask