mcc是應用在機器學習中，用以測量二分類的分類效能的指標，該指標考慮了真陽性，真陰性，假陽性和假陰性，通常認為該指標是乙個比較均衡的指標，即使是在兩類別的樣本含量差別很大時，也可以應用它。
mcc本質上是乙個描述實際分類與**分類之間的相關係數，它的取值範圍為[-1,1]，取值為1時表示對受試物件的完美**，取值為0時表示**的結果還不如隨機**的結果，-1是指**分類和實際分類完全不一致。
在三分類**中，或者嚴謹的**中，三分類的評價指標一般有多個，例如，micro_f1,macro_f1,等。【其他的暫時忘記了，有一篇詳細介紹多分類指標的**，找到再標註上】
查準率亦稱為「準確率」，查全率亦稱為「召回率」
對於多分類的p，r計算，以三類a，b，c為例。
將a看作1類，bc看作0類，計算pa，ra。
將b看作1類，ac看作0類，計算pb，rb。
將c看作1類，ab看作0類，計算pc，rc。
p =（pa + pb + pc）/3
r = （ra + rb + rc）/3
sklearn.metrics.precision_score
sklearn.metrics.recall_score
sklearn.metrics.confusion_matrix(label, predict)
一般三分類的可以通過混淆矩陣計算，但隨著類別數增大，使用混淆矩陣會很麻煩，暫時還沒找到可以使用的庫函式。
metrics.multilabel_confusion_matrixmicro-f1： 計算方法：先計算所有類別的總的precision和recall，然後計算出來的f1值即為micro-f1； 使用場景：在計算公式中考慮到了每個類別的數量，所以適用於資料分布不平衡的情況；但同時因為考慮到資料的數量，所以在資料極度不平衡的情況下，數量較多數量的類會較大的影響到f1的值；marco-f1： 計算方法：將所有類別的precision和recall求平均，然後計算f1值作為macro-f1； 使用場景：沒有考慮到資料的數量，所以會平等的看待每一類（因為每一類的precision和recall都在0-1之間），會相對受高precision和高recall類的影響較大
1.用於不平衡資料集分類的g-mean
g-mean = √(tp/
(tp+fn)
*tn/
(tn+fp)
)= √(sn*sp）
分類器評價指標
by the way,classic post like 分類指標準確率 precision 和正確率 accuracy 的區別 精度和召回率是廣泛用於資訊檢索和統計學分類領域的兩個度量值，用來評價結果的質量。其中精度是檢索出相關文件數與檢索出的文件總數的比率，衡量的是檢索系統的查準率 召回率是指檢...
分類演算法評價指標
第一種分析準則 第二種分析準則 0.0 0.20極低的一致性 slight 0.21 0.40一般的一致性 fair 0.41 0.60 中等的一致性 moderate 0.61 0.80 高度的一致性 substantial 0.81 1幾乎完全一致 almost perfect 例如對於眼底影象...
評價指標 分類演算法中常用的評價指標
對於分類演算法，常用的評價指標有 1 precision 2 recall 3 f score 4 accuracy 5 roc 6 auc ps 不建議翻譯成中文，尤其是precision和accuracy，容易引起歧義。1.混淆矩陣 混淆矩陣是監督學習中的一種視覺化工具，主要用於比較分類結果和例...