2）分類準確度類評價分類演算法的好壞存在問題
3）分析
4）方案
二、混淆矩陣（confusion matrix）
1）二分類問題中混淆矩陣
矩陣的最上一行代表**值，最左列為真實值；
0 - negative、1 - positive；
tn、fp、fn、tp：表示**結果的樣本數量；
tn（true negative）：實際值為 negative，**值為 negative，** negative 正確；
fp（false positive）：實際值為 negative，**值為 positive，** positive 錯誤；
fn（false negative）：實際值為 positive，**值為 negative，** negative 錯誤；
tp（true positive）：實際值為 positive，**值為 positive，** positive 正確；
2）例項解釋
9978：9978 個人本身沒有換癌症，同時演算法**他們也沒有還癌症；
12：12個人本身沒有患癌症，但演算法**他們患有癌症；
2：2個人本身患有癌症，但演算法**他們沒有患癌症；
8：8個人本身患有癌症，同時演算法**他們也患有癌症；
三、精準率和召回率
1）精準率（precision）判斷出來是『目標』的樣本中，有多少是真正判斷正確的
含義：每做 100 次患病的**，平均會有 40 次是正確的；
2）召回率（recall）所有真正的『目標』樣本中，有多少被判斷出來了
解釋：每當有 100 個癌症患者，通過該**系統，能夠成功的找出 80 個癌症患者；
3、準確率（accuracy）所有的判斷中（無論正負樣本），其中判斷正確的比率
準確率是乙個用於評估分類模型的指標。通俗來說，準確率是指我們的模型**正確的結果所佔的比例。正式點說，準確率的定義如下：
對於二元分類，也可以根據正類別和負類別按如下方式計算準確率：
其中，tp = 真正例，tn = 真負例，fp = 假正例，fn = 假負例。
f1分數（f1-score）是分類問題的乙個衡量指標。一些多分類問題的機器學習競賽，常常將f1-score作為最終測評的方法。它是精確率和召回率的調和平均數，最大為1，最小為0。
機器學習評價方法
precision 的結果中 正確的正例 的結果中所有為1的值 recall 的結果中 正確的正例 真實存在的正例數 所以p r curve 對負樣本的比例不敏感 1 真陽性 true positive，tp 檢測不健康，且實際不健康 正確肯定的匹配數目 2 假陽性 false positive，f...
學習筆記 機器學習之過擬合
如果認為訓練資料中的每乙個元素都是正確的，並且以此去精確地擬合模型，那麼得到已將低泛化的模型。這就是 過擬合 兩種典型的方法 正則化 驗證 正則化是一種數值方法，這種方法試圖構建乙個盡可能簡單的模型結構。簡化後的模型可以以較低的效能代價避免過擬合。它保留一部分訓練資料用於觀察模型的效能。驗證集不用於...
機器學習 評價指標整理
目錄 1.準確率 accuracy 2.召回率 recall 3.精確率 precision 4.召回率與精確率的關係 5.誤報率 fpr 與漏報率 fnr 準確率是指我們的模型 正確的結果所佔的比例。正式點說，準確率的定義如下 accuracy frac 對於二元分類，也可以根據正類別和負類別按如...