通用算法(ML,DL)分类判定指标:召回率 Recall、精确度Precision、准确率Accuracy等
2016-03-06 14:40
405 查看
1.当用算法实现某一问题后,如何证明算法有效性?如何证明你的算法比别的算法更优。特别是针对二分类问题,下面介绍一下分类标准。
2 标准
表示分类正确:
True Positive:本来是正样例,分类成正样例。
True Negative:本来是负样例,分类成负样例。
表示分类错误:
False Positive :本来是负样例,分类成正样例,通常叫误报。
False Negative:本来是正样例,分类成负样例,通常叫漏报。
3.评价方法
3.1 精确度(Precision): 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
3.2 准确率(Accuracy): A = (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
3.3 召回率(Recall): 也称为 True Positive Rate:R = TP/(TP+FN) ; 反映了被正确判定的正例占总的正例的比重
4. 这里只介绍通用的评价方法,还有其它的一些评价方法,自己可以去找找
相关文章推荐
- 莫名其妙的错误
- 源码阅读笔记 – 2 std::vector (2) 关于Allocator Aware Container特性
- 1106 排序
- java导出生成word的简单方法
- JavaScript模拟数组合并concat
- arcengine10.3安装
- 广告轮播效果的实现
- oslo.messaging组件的学习之call方法
- 测试用例实例--三角形用例设计
- 我的主要资源来源
- [转载]双向广搜
- [转载]双向广搜
- [转载]双向广搜
- [转载]双向广搜
- [转载]双向广搜
- 操作符重载
- java.text.SimpleDateFormat多线程下的问题
- python小练习
- Visual Studio Developer Command Prompt删除localdb的方法
- 20145127 《Java程序设计》第一周学习总结