TP: 预测为正，实际为正
FP: 预测为正，实际为负
TN:预测为负，实际为负
FN: 预测为负，实际为正
精确率、准确率:Accuracy=(TP+TN)/(TP+TN+FN+FP)
精准率、查准率: P = TP/ (TP+FP)
召回率、查全率: R = TP/ (TP+FN)
真正例率(同召回率、查全率):TPR = TP/ (TP+FN)
假正例率:FPR =FP/ (FP+TN)
F1-score: 2*TP/(2*TP + FP + FN)
TP -- True Positive (真正, TP)被模型预测为正的正样本;
可以称作判断为真的正确率
TN -- True Negative(真负 , TN)被模型预测为负的负样本 ;
可以称作判断为假的正确率
FP --False Positive (假正, FP)被模型预测为正的负样本;
可以称作误报率
FN--False Negative(假负 , FN)被模型预测为负的正样本;
可以称作漏报率
True Positive Rate(真正率 , TPR)或灵敏度(sensitivity)
TPR = TP /(TP + FN)
被预测为正的正样本结果数 / 正样本实际数
True Negative Rate(真负率 , TNR)或特指度(specificity)
TNR = TN /(TN + FP)
被预测为负的负样本结果数 / 负样本实际数
False Positive Rate (假正率, FPR)
FPR = FP /(TN + FP)
被预测为正的负样本结果数 /负样本实际数
False Negative Rate(假负率 , FNR)
FNR = FN /(TP + FN)
【机器学习中一些评价标准定义概念总结，如精确度，查准率，查全率等】被预测为负的正样本结果数 / 正样本实际数
推荐阅读
- paddle|动手从头实现LSTM
- 人工智能|干货！人体姿态估计与运动预测
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- Python专栏|数据分析的常规流程
- 读书笔记|《白话大数据和机器学习》学习笔记1
- Pytorch学习|sklearn-SVM 模型保存、交叉验证与网格搜索
- Python机器学习基础与进阶|Python机器学习--集成学习算法--XGBoost算法
- 深度学习|深度学习笔记总结
- 机器学习|机器学习Sklearn学习总结
- 机器学习|线性回归原理与python实现