宁波营销网站建设,圣亚科技网站案例,济南建手机网站哪家好,谁给个网站啊急急急20211. 混淆矩阵 (Confusion Matrix)
预测正类预测负类实际正类 (P)True Positive (TP)False Negative (FN)实际负类 (N)False Positive (FP)True Negative (TN)
True Positive (TP): 模型正确预测为正类的样本数。True Negative (TN): 模型正确预测为负类的样本数。False Positi…1. 混淆矩阵 (Confusion Matrix)
预测正类预测负类实际正类 (P)True Positive (TP)False Negative (FN)实际负类 (N)False Positive (FP)True Negative (TN)
True Positive (TP): 模型正确预测为正类的样本数。True Negative (TN): 模型正确预测为负类的样本数。False Positive (FP): 模型错误预测为正类的负类样本数“假阳性”。False Negative (FN): 模型错误预测为负类的正类样本数“假阴性”。 2. 常见评价指标
(1) 准确率 (Accuracy)
准确率是模型整体预测正确的比例 适用场景: 类别平衡时适用。局限性: 不适用于类别不平衡的问题。例如若正类样本占比 99%即使模型始终预测为正类准确率也会很高但模型实际效果差。 (2) 精确率 (Precision)
精确率衡量模型预测为正类的样本中实际为正类的比例 适用场景: 注重 假阳性成本较高 的问题如垃圾邮件分类误报可能会打扰用户。局限性: 忽略了 FN 的影响无法全面衡量模型性能。 (3) 召回率 (Recall) / 灵敏度 (Sensitivity) / 真阳性率 (True Positive Rate, TPR)
召回率衡量实际正类样本中模型正确预测为正类的比例 适用场景: 注重 假阴性成本较高 的问题如疾病诊断漏诊可能带来严重后果。局限性: 忽略了 FP 的影响。 (4) 特异性 (Specificity) / 真负率 (True Negative Rate, TNR)
特异性衡量实际负类样本中模型正确预测为负类的比例 适用场景: 注重负类预测准确性的场景如安全监控中避免误报。 (5) F1 分数 (F1-Score)
F1 分数是精确率和召回率的调和平均值用于平衡两者 适用场景: 精确率和召回率同样重要时。局限性: 无法区分精确率和召回率哪个更重要。 (6) 平均准确率 (Balanced Accuracy)
平衡准确率是正类和负类的平均识别率 适用场景: 适合类别不平衡数据。 (7) ROC 曲线和 AUC 值
ROC 曲线: 以 假阳性率 (FPR) 为横轴真阳性率 (TPR) 为纵轴绘制的曲线。 AUC (Area Under the Curve): ROC 曲线下的面积用于衡量分类器区分正负类的能力。 AUC 越接近 1分类器性能越好。 (8) PR 曲线和 AUC 值
PR 曲线: 以 召回率 (Recall) 为横轴精确率 (Precision) 为纵轴绘制的曲线。PR-AUC: PR 曲线下的面积适合不平衡数据集。
