概述
数据挖掘 – 分类的模型评估度量
混淆矩阵 CM（Confusion Matrix）
| actual/precide | Yes | No | 合计 |
|---|---|---|---|
| Yes | TP | FN | P |
| No | FP | TN | N |
| 合计 | P^ | N^ | P+N 或者 P^ + N^ |
| 术语 | 含义 | 例子 |
|---|---|---|
| TP（True Postive） : | 正确 分类的 正元组 | buy_computer = yes 的元组，被分类器预测为 buy_computer = yes |
| TN（True Negative） : | 正确 分类的 负元组 | buy_computer = no 的元组，被分类器预测为 buy_computer = no |
| FP（False Postive） : | 错误 标记为 正元组 的负元组 | buy_computer = no 的元组，被分类器预测为 buy_computer = yes |
| FN（False Negative） : | 错误 标记为 负元组 的正元组 | buy_computer = yes 的元组，被分类器预测为 buy_computer = no |
度量
| 度量 | 公式 | 含义 |
|---|---|---|
| 准确率、识别率（accuracy） | T P + T N P + N frac{TP+TN}{P+N} P+NTP+TN | 正确分类元组 的占比 |
| 错误率、误分类率 （error rate / 1-accuracy） | F P + F N P + N frac{FP+FN}{P+N} P+NFP+FN | 错误分类元组 的占比 |
| 敏感度、真正例率、召回率（ recall / sensitivity） | T P P frac{TP}{P} PTP | 正确识别的正元组 的占比 |
| 特效性、真负例率（ specificity） | T N N frac{TN}{N} NTN | 正确识别的负元组 的占比 |
| 精度 （precision） | T P T P + F P frac{TP}{TP+FP} TP+FPTP | 标记为正类的元组实际为正类所占 的百分比 |
| F、F1、F分数 | 2 ∗ p r e c i s i o n ∗ r e c a l l p r e c i s i o n + r e c a l l frac{2 * precision * recall}{precision+ recall} precision+recall2∗precision∗recall | 精度和召回率的调和均值（另一种使用precision和recall的方法） |
| F β F_β Fβ : β是非负实数 | ( 1 + β 2 ) ∗ p r e c i s i o n + r e c a l l β 2 ∗ p r e c i s i o n + r e c a l l frac{(1+β^2) *precision+ recall}{β^2*precision+ recall} β2∗precision+recall(1+β2)∗precision+recall | 也是 另一种使用precision和recall的方法 |
ROC
| 轴 | 含义 | 公式 |
|---|---|---|
| Y轴（TPR） | sensitivity / recall | T P P frac{TP}{P} PTP |
| X轴（FPR） | 1-specificity | F P N frac{FP}{N} NFP |
相关文章：
https://jingyan.baidu.com/article/63acb44acf685161fcc17ec9.html
https://www.plob.org/article/12476.html
相关图像
最后
以上就是粗犷热狗为你收集整理的数据挖掘 -- 分类的模型评估度量数据挖掘 – 分类的模型评估度量的全部内容，希望文章能够帮你解决数据挖掘 -- 分类的模型评估度量数据挖掘 – 分类的模型评估度量所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
![[JavaScript] 解决JS小数相加、减、乘、除计算精度丢失的问题](/uploads/reation/bcimg5.png)
发表评论 取消回复