1、准确度指标
Accuracy准确率:正确预测的正样本和负样本的总数/总数
error_rate:错误预测的正样本和负样本总数/总数
混淆矩阵Confusion Matrix:
每一行之和表示该类别的真实样本数量,每一列之和表示被预测为该类别的样本数量,
例如第一行,第一列数据表示预测是类1是50个,实际对的只有43个
对角线越大,预测效果越好
分类目标
分类目标只有两类:positive正例和negtive负例
True positives(TP):本身是正例,被预测成正例的个数
False positives(FP): 本身为负例但是被预测为正例的个数
False negatives(FN):本身为正例但是预测为负例的个数
Ture negatives(TN):本身为负例被预测为负例的个数
召回率recall:预测为正例的个数除以实际全部的正例的个数之比
Recall=TP/(TP+FN) = TP/P
精确率Precision:预测为真的中实际上也为真的个数占总预测为真的个数之比
Precision = TP / (TP + FP)
平均精度(Average-Precision):AP值越高,分类越好
用F指标选择阈值:
是关与召回的权重,大于1说明更看重召回的影响,小于1则更看重精度,等于1相当于两者的调和平均,这里得到一个常用的指标F1-Measure。
F1指标:
ROC(受试者工作特征)曲线以及AUC
真正例率和假正例率:
TPR = TP/(TP+FN)
FPR = FP/(FP+TN)
TPR越高,FPR越低分类效果越好
AUC(Area Under Curve):ROC曲线围住的面积越大,分类器效果越好
EER(Equal Error Rate):
指的是FNR=FPR的情况,因为FNR=1-TPR,所以在ROC曲线中就是曲线和(0,1)、(1,0)对角线的交点。从漏检和误检的角度,FPR理解为对正样本的漏检率,FNR则是预测为正样本的误检率。EER是均衡考虑这两者时的阈值选定标准
平均精度均值(mAP):
IOU(Intersection Ober Union):