機器學習性能評估指標

最近一直在改模型，關注的是 Accuracy、MSE；但是除此之外，還有不少評價指標。。。【笑哭】

• 分類
• 迴歸

分類

True Positive(真正, TP)：將正類預測爲正類數.
True Negative(真負 , TN)：將負類預測爲負類數.
False Positive(假正, FP)：將負類預測爲正類數 →→ 誤報 (Type I error).
False Negative(假負 , FN)：將正類預測爲負類數 →→ 漏報 (Type II error).

精確率(precision):

P=TPTP+FP$P=\frac{TP}{TP+FP}$

準確率(accuracy):

ACC=TP+TNTP+TN+FP+FN$ACC=\frac{TP+TN}{TP+TN+FP+FN}$

在正負樣本不平衡的情況下，準確率這個評價指標有很大的缺陷。比如在互聯網廣告裏面，點擊的數量是很少的，一般只有千分之幾，如果用acc，即使全部預測成負類（不點擊）acc 也有 99% 以上，沒有意義。

召回率(recall,sensitivity,true positive rate) ：

R=TPTP+FN$R=\frac{TP}{TP+FN}$

此外，還有 ∗∗F1值∗∗$\ast \ast F_1值\ast \ast$ ，是精確率和召回率的調和均值，

2F1=1P+1R$\frac{2}{F_1}=\frac{1}{P}+\frac{1}{R}$

F1=2TP2TP+FP+FN$F_1=\frac{2TP}{2TP+FP+FN}$

精確率和準確率都高的情況下，F1 值也會高。

【待續。。。】

【轉自】機器學習性能評估指標