最常用的是查准率P（precision），查全率R（recall），F1

一、對於二分類問題

混淆矩陣（confusion matrix）：

$P = \frac{TP}{TP+FP}$ 查准率=真正 / (真正+假正) = predicted and true positive/ predicted positive

$R= \frac{TP}{TP+FN}$ 查全率= 真正 /(真正+假反) = predicted and true positive/ true positive

P , R是一對矛盾的度量，一般一個的值高了，另一個的值就會降低，

P-R圖：

若學習器A的 P-R曲線將學習器B的 P-R曲線完全包住，則學習器A 在該問題上優於 B

若A B的P-R曲線有交叉，則比較P-R曲線下面積的大小，越大越好

平衡點 break even point BEP，是P==R 時的取值

F值度量：

$F1=\frac{2\times P\times R}{P+R}$ $F1=\frac{2\times TP}{n+TP-TN}$ ,n為樣例總數

$F_{\beta }=\frac{(1+\beta^{2})\times P\times R}{(\beta^{2}\times P)+R}$ β>1，R有更大影響，β<1,P有更大影響

多分類問題，每兩兩類別組合，構成n個二分類問題，每個二分類問題對應一個混淆矩陣

先在各個混淆矩陣上分別計算P,R, 再求平均得到宏查准率macro-P, 宏查全率macro-R,

基於宏查准率macro-P, 宏查全率macro-R,計算宏F1 macro-F1

$macro-P=\frac{1}{n}\sum_{i=1}^{n}P_i$ $macro-R=\frac{1}{n}\sum_{i=1}^{n}R_i$

$marco-F1=\frac{2\times macroP\times macroR}{marcoP+marcoR}$

將各個混淆矩陣的對應元素進行平均，得到TP,FP,TN,FN的平均值： $\overline{TP} , \overline{FP}, \overline{TN}, \overline{FN}$

$micro-P=\frac{\overline{TP}}{\overline{TP}+\overline{FP}}$ $micro-R=\frac{\overline{TP}}{\overline{TP}+\overline{FN}}$

$micro-F1=\frac{2\times microP\times microR }{microP+microR}$

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 二分類實現多分類從二分類到多分類【sklearn】性能度量指標之ROC曲線（二分類） scikit-learn機器學習(二)邏輯回歸進行二分類(垃圾郵件分類),二分類性能指標，畫ROC曲線，計算acc,recall,presicion,f1 MATLAB上實現Adaboost二分類和多分類 sigmoid與softmax 二分類、多分類的使用 Cross-entropy loss多分類與二分類 25、二分類、多分類與多標簽問題的區別二分類 XGBoost文本分類，多分類、二分類、10-Fold（K-Fold）