混淆矩陣（confusion matrix）中包含四種資料：(t/f表示**正確與否，p/n表示被**為正例還是負例)
由以上四種資料得到四種比率如下：
tpr（true positive rate，又稱靈敏度：sensitivity）：tpr=tptp+fn
，即正例被正確**為正例的數目實際正例的數目
fpr（false positive rate）：fpr=fpfp+tn
，即負例被錯誤**為正例的數目實際負例的數目
fnr（false negative rate）：fnr=fntp+fn
，即正例被錯誤**為負例的數目實際正例的數目
tnr（true negative rate，又稱 特指度：specificity）：tnr=tnfp+tn
，即負例被正確**為負例的數目實際負例的數目
評價指標
precision，即查準率：p=tp/(tp+fp)
recall，即查全率：r=tp/(tp+fn)
f-score，即precision和recall的調和平均值，更接近precision和recall中較小的那乙個值：f=2×p×r/(p+r)
accuracy，分類器對整體樣本的分類能力，即正例分為正例，負例分為負例：a=tp+tn/(tp+fp+fn+tn)
roc曲線：如何繪製：
統計正負樣本數量：p/n
橫座標刻度間隔：1/n
縱座標刻度間隔：1/p
根據**概率從高到低排序
(0, 0)開始
遇到正樣本，沿縱軸繪製一刻度；
遇到負樣本，沿橫軸繪製一刻度；
(1, 1)結束
和p-r曲線的區別
auc參考資料分類演算法中常用的評價指標
機器學習的模型評估
機器演算法有很多，各種模型的在不同的場景下各有優劣。所以需要一些方法來對機器學習的方法有乙個判斷。真實情況 正例反例 正例tp 真正例 fn 假反例 反例fp 假正例 tn 真反例 p tpt p fp r tptp fnroc reciever operating characteristic 是...
機器學習模型評估方法
分類模型評價度量 概率輸出型 這個有邏輯回歸 隨機森林 梯度提公升 adaboost等演算法，都是以概率作為輸出的。要想把概率型輸出變為分型別輸出，只要為其設立乙個閾值即可。positive predictive value 陽性 值 or precision 精度 陽性 值被 正確的比例。nega...
機器學習 模型評估指標
from sklearn.metrics import accuracy score print 準確率 accuracy score y true,y pred,normalize true print 正確分類的數量 accuracy score y true,y pred,normalize ...