机器学习中的模型评价策略metric(ROC,PR,AUC,F1)_auc metric-程序员宅基地

技术标签：机器学习

TP(真阳性 true positives) TN(真阴性 true negatives) FP(假阳性 false positives) FN(假阴性 false negatives)

分布图：

混淆矩阵：

准确率(accuracy): $acc =\frac{TP+TN}{TP+TN+FP+FN}$

精准率(precision): $pre = \frac{TP}{TP+FP}$

模型判别出来是阳性，但是不是所有都对，精准率就是检查在这些阳性里的真正为阳性的比率。一句话：检索出的信息中有多少比例是用户感兴趣的(西瓜书)

召回率(recall): $re = \frac{TP}{TP+FN}$

原来阳性总数，模型只能判别出来一部分，召回率就是检查模型对原来阳性的判别程度。一句话：用户感兴趣的信息中有多少被检索出来了(西瓜书)

PR 曲线:(PR curve):越靠近右上角(top right)的点越好

precision和recall是相互排斥的，只能折中取，所以就有了F值的判别策略

F1值: $F1 = \frac{2precisionrecall}{precision+recall}=\frac{2\times TP}{ALL+TP-TN}$

$F_{\beta }$ 值: $F_{\beta }=\frac{(1+\beta ^{2})\times P\times R}{(\beta ^{2}\times P)+R}$

$\beta$ >1召回率更有影响， $\beta$ <1精准率更有影响

有时会有多个二分类，例如多次训练/测试、多分类任务。这时需要一个综合的策略

微平均(micro-average):把所有类别的一次性都考虑进来，计算类别预测的准确率。

宏平均(macro-average):每个类别分开考虑，计算单独每个类别的准确率，最后再进行算术平均得到该测试集的准确率。

微平均 recall = precise = f1-score 无论是二分类还是多分类，因为要统计所有的类别，所以TP为各个类别分对的数目的总和， FP= FN 为各个类别分错数目的总和，recall = precise = 正确分类 / (正确分类 + 错误分类)

所以：宏平均会比微平均好一些，因为macro会受minority class影响更大，也就是说更能体现在small class上的performance。

(摘自：微平均宏平均微平均(准确率、召回率、f1-score相等) 以及 TP、TN、FP、FN的理解_Lord_sh的博客-程序员宅基地)

多对P.R: $(P_{1},R_{1})$ , $(P_{2},R_{2})$ , $(P_{3},R_{3})$ ,`````` $(P_{n},R_{n})$

宏查准率(macro-P): $macro-P=\frac{1}{n}\sum_{i=1}^{n}P_{i}$

宏查全率(macro-R): $macro-R=\frac{1}{n}\sum_{i=1}^{n}R_{i}$

宏F1:(macro-F1): $macro-F1=\frac{2\times macro-P\times macro-R}{macro-P+macro-R}$

微查准率(macro-P): $micro-P=\frac{\overline{TP}}{\overline{TP}+\overline{FP}}$

微查全率(macro-R): $micro-R=\frac{\overline{TP}}{\overline{TP}+\overline{FN}}$

微F1:(macro-F1): $micro-F1=\frac{2\times micro-P\times micro-R}{micro-P+micro-R}$

真正例率(True Positive Rate): $TPR=\frac{TP}{TP+FN}$

假正例率(False Positive Rate): $FPR=\frac{FP}{TN+FP}$

ROC曲线(ROC curve):ROC曲线中，离左上角(top left)最近的点为最好的阈值点

灵敏度(sensitivity): $sencitivity = \frac{TP}{TP+FN} = true\, positive\, rate$

特异性(specificity): $specificity = 1-false\, positive\, rate = 1-\frac{FP}{TN+FP} = \frac{TN}{TN+FP}$

AUC(曲线下面积):不考虑其他因素下，AUC越大，模型越好。PR和ROC都适用

本文链接：https://blog.csdn.net/qq_44901773/article/details/116173069

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

c# 调用c++ lib静态库_c#调用lib-程序员宅基地

文章浏览阅读2w次，点赞7次，收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案，在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建：添加Visual C++ , Win32 项目这......_c#调用lib

deepin/ubuntu安装苹方字体-程序员宅基地

文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体，挺好看的。注重颜值的网站都会使用，例如知乎：font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang

html表单常见操作汇总_html表单的处理程序有那些-程序员宅基地

文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--method将表单中的数据传送给服务器处理，get方式直接显示在url地址中，数据可以被缓存，且长度有限制；而post方式数据隐藏传输，_html表单的处理程序有那些

PHP设置谷歌验证器（Google Authenticator）实现操作二步验证_php otp 验证器-程序员宅基地

文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证（即Google Authenticator服务）后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器

【Python】matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距-程序员宅基地

文章浏览阅读4.3k次，点赞5次，收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距

docker — 容器存储_docker 保存容器-程序员宅基地

文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节，实现了多层数据的堆叠，为用户提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制（CoW）策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的，不建议用于生成环境。_docker 保存容器

随便推点

网络拓扑结构_网络拓扑csdn-程序员宅基地

文章浏览阅读834次，点赞27次，收藏13次。网络拓扑结构是指计算机网络中各组件（如计算机、服务器、打印机、路由器、交换机等设备）及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式，也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn

JS重写Date函数，兼容IOS系统_date.prototype 将所有 ios-程序员宅基地

文章浏览阅读1.8k次，点赞5次，收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时，通常的做法是：new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的，而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠，也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑，需要做一些额外的特殊处理，笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数，一劳永逸，避免每次ne_date.prototype 将所有 ios