机器学习中的Presicison&Recall&Accuracy, FP&TP&FN&TN
2016-11-16 11:19
344 查看
精准度（precision）：
P = TP/(TP+FP) 指被分类器判定正例中的正样本的比重
召回率(Recall)：
R=TP/(TP+FN) = 1- FN/T 指的是被预测为正例的占总的正例的比重
准确率(Accuracy)：
A = TP/(TP+FN)=(TP+TN)/(TP+FN+FP+TN) 反映了分类器对整个样本的判定能力，也就是说能将正的判定为正，负的判定为负
True Positive (TP): “真正” 指被model预测为正的正样本，即判断为真的正确率
True Negative(TN): “真负” 指被model预测为负的负样本，即判断为假的正确率
False Positive(FP): “假正” 指被模型预测为正的负样本，即误报率
False Negative(FN): “假负” 指被模型预测为负的正样本，即漏报率
P = TP/(TP+FP) 指被分类器判定正例中的正样本的比重
召回率(Recall)：
R=TP/(TP+FN) = 1- FN/T 指的是被预测为正例的占总的正例的比重
准确率(Accuracy)：
A = TP/(TP+FN)=(TP+TN)/(TP+FN+FP+TN) 反映了分类器对整个样本的判定能力，也就是说能将正的判定为正，负的判定为负
True Positive (TP): “真正” 指被model预测为正的正样本，即判断为真的正确率
True Negative(TN): “真负” 指被model预测为负的负样本，即判断为假的正确率
False Positive(FP): “假正” 指被模型预测为正的负样本，即误报率
False Negative(FN): “假负” 指被模型预测为负的正样本，即漏报率
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- 评估指标中IoU/precision/recall/tp/fp/fn/tn的个人理解
- 准确率precision 召回率recall tp tn fp fn
- [置顶] TP，TN，FP，FN，Precision，Recall，sensitivity，specificity，FPR，TPR，F1值，ROC曲线，PR曲线的解释
- FN、FP、TN、TP、precision、recall
- 敏感度、特异性：TP TN FP FN sensitivity Accuracy
- TP、TN、FP、FN、Recall、Miss Rate、MCC、F1 Score 等指标计算
- 一个实例说明Tp，Fp，Fn，Tn，mAP
- 【转】FN,FP, TN, TP等
- TP、TN、FP、FN解释说明
- TP TN FP FN
- 论文中的FN FP TN TP
- TP, TN, FP and FN
- TP FN FP TN ROC !! mAP计算
- [zz]True positives (TP), true negatives (TN), false positives (FP), and false negatives (FN)
- TP FP TN FN
- TP FN FP TN
- 分类的评判标准：TP、TN、FP、FN
- 分类的评判标准：TP、TN、FP、FN
- 机器学习名词解释（train & valid & test）(accuracy & precision & recall)
- 机器学习中的 precision、recall、accuracy、F1 Score